オピオイド使用障害における機能的な脳ネットワークの識別 静止状態のfMRI BOLD信号の機械学習分析
Ahmed Temtam1, Megan A Witherow1, Liangsuo Ma2
1Vision Lab, Dept. of Electrical Engineering, Old Dominion University, Norfolk, VA, USA.
Computers in biology and medicine
|August 21, 2025
まとめ
静止状態のfMRI信号の機械学習と時間頻度分析により,健康な対照群とオピオイド使用障害 (OUD) を有する個人を区別することができます. この新しいアプローチは OUD診断の鍵となる脳のネットワークの 異なる神経活動パターンを明らかにします
科学分野:
- 神経科学
- 医療用イメージング
- 機械学習
背景:
- オピオイド使用障害 (OUD) の神経生物学は治療開発に不可欠です.
- 休息状態の機能性磁気共鳴画像 (rs-fMRI) は脳機能に関する洞察を提供します.
- OUDの伝統的な rs-fMRI 分析では,時間周波数信号の特徴を無視することがあります.
研究 の 目的:
- OUDで rs-fMRI BOLD信号の時間周波数分析に機械学習 (ML) を適用する.
- デフォルトモードネットワーク (DMN),サライエンスネットワーク (SN),エグゼクティブコントロールネットワーク (ECN) 内のニューラル活動の差別力を調査する.
- データを駆動したML技術を使用して,健康な対照群 (HC) からOUDを持つ個人を区別する.
主な方法:
- rs- fMRI BOLD信号は,MLベースの時間周波数分解を用いて分析された.
- 特徴は31人のOUDと45人のHC被験者のDMN,SN,ECNから抽出されました.
- 5倍クロス・バリデーションとBoruta ML分析を用いて,差別の力と特徴の有意性を評価した.
主要な成果:
- MLの時間周波数分析は,DMN,SN,ECNにおけるOUDとHCの区別において,確率を大幅に上回った.
- 平均F1スコアは0. 6675 (DMN) から0. 7090 (SN) でした.
- 平均AUCは0. 7103 (ECN) から0. 7603 (SN) までの範囲で,有意な波形細部係数が特定されました.
結論:
- rs-fMRI BOLD信号の時間周波数分析は,MLと組み合わせて,OUD研究のための強力なツールです.
- このアプローチは,OUDの個体における重要な機能ネットワーク内の局所的な神経活動の有意な違いを明らかにします.
- この発見は,OUDの診断と神経生物学の理解を向上させるための高度な信号処理の可能性を強調しています.
