Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

ETV4 enhances glycolysis to suppress NK-cell cytotoxicity in the immune microenvironment of colon cancer.

Biochimica et biophysica acta. General subjects·2026
Same author

A Gradient-Guided Spatio-Temporal Graph Convolutional Network for Population-Level Major Depressive Disorder Classification.

IEEE journal of biomedical and health informatics·2026
Same author

The 2026 global roadmap for textile-integrated wearable technologies in health.

Physiological measurement·2026
Same author

Different modulation patterns of theta and gamma dual-site HD-tACS on cognitive impairment.

iScience·2026
Same author

Multiscale heterogeneity of atypical functional connectivity in autism.

Nature. Mental health·2026
Same author

Steric Hindrance Enhanced the Bowl-Shaped Curvature of Bridged Triphenylamine.

Organic letters·2026

Video Experimental Relacionado

Updated: Sep 10, 2025

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
07:12

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method

Published on: August 2, 2021

3.7K

Aprendizaje aleatorio basado en nodos para la identificación de trastornos depresivos mayores a través de datos de

Wanting Xi1,2, Zijian Guo1,3, Ting Mei1

  • 1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.

Human brain mapping
|August 21, 2025
PubMed
Resumen

Este estudio introduce un nuevo método que utiliza datos de la red cerebral para identificar con precisión el trastorno depresivo mayor (TDM). El enfoque de incorporación de gráficos mejora la precisión del diagnóstico mediante el análisis de las características de conectividad funcional.

Palabras clave:
Aprendizaje conjuntoconectividad funcionalTrastorno depresivo mayorNúcleo 2vecCaminar al azar

Más Videos Relacionados

Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
10:43

Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity

Published on: July 1, 2014

15.3K
MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
08:20

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Published on: August 11, 2015

14.1K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
07:12

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method

Published on: August 2, 2021

3.7K
Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
10:43

Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity

Published on: July 1, 2014

15.3K
MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
08:20

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Published on: August 11, 2015

14.1K

Área de la Ciencia:

  • La neurociencia
  • La psiquiatría
  • Aprendizaje automático

Sus antecedentes:

  • El trastorno depresivo mayor (TDM) es una condición generalizada que afecta la calidad de vida y aumenta el riesgo de suicidio.
  • La identificación precisa de la MDD es crucial para un diagnóstico y tratamiento clínicos eficaces.
  • Los métodos actuales a menudo pasan por alto las características de la región de interés (ROI) en las redes cerebrales funcionales y usan conjuntos de datos limitados, lo que dificulta la generalización.

Objetivo del estudio:

  • Desarrollar y validar un nuevo marco de clasificación de selección de características basado en la incorporación de gráficos (GEF-FSC) para la identificación de MDD.
  • Aprovechar los datos de resonancia magnética funcional en estado de reposo en varios sitios (rs-fMRI) para una detección robusta de MDD.
  • Explorar la utilidad de la información estructural de orden superior dentro de las redes cerebrales funcionales para mejorar la precisión del diagnóstico.

Principales métodos:

  • Utilizó el algoritmo node2vec para aprender las características de conectividad funcional local y global (FC) de los ROI en las redes cerebrales.
  • Empleó caminatas aleatorias flexibles para capturar información estructural dentro de las redes cerebrales funcionales.
  • Bosque aleatorio aplicado para la selección de características y un clasificador de conjunto para la clasificación de MDD utilizando datos de resonancia magnética múltiple.

Principales resultados:

  • El marco GEF-FSC logró una alta precisión de clasificación: 81,65% (plantilla de Dosenbach) y 75,30% (atlante AAL) en el conjunto de datos REST-meta-MDD.
  • Demostró un rendimiento superior en comparación con ocho métodos de referencia y seis clasificadores de última generación en cuanto a precisión, sensibilidad, especificidad y puntuación F1.
  • El análisis de interpretabilidad identificó regiones y redes cerebrales clave asociadas con el TDM, alineadas con la investigación existente.

Conclusiones:

  • El marco GEF-FSC clasifica efectivamente el TDM utilizando datos de IRMf de varios sitios.
  • El estudio destaca la importancia de la información estructural de orden superior en las redes cerebrales funcionales para mejorar la precisión del diagnóstico.
  • Las regiones y redes cerebrales identificadas proporcionan información sobre los fundamentos neurobiológicos del TDM.