一个卷积性循环神经网络,在重度抑郁症中关注对重复性跨脑磁性刺激的反应预测
Mohsen Sadat Shahabi1, Ahmad Shalbaf2, Reza Rostami3
1Department of Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Scientific reports
|June 22, 2023
概括
预测重复性跨磁刺激 (rTMS) 对重大抑郁障碍 (MDD) 的反应至关重要. 使用电脑脑图 (EEG) 数据的深度学习模型准确地识别了治疗响应者,为个性化MDD治疗铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 重复性跨体磁性刺激 (rTMS) 是主要抑郁症 (MDD) 的关键治疗方法.
- 预测患者对rTMS的反应对于优化治疗疗效和患者结果至关重要.
- 目前的预测方法需要改进,以提高准确性和临床适用性.
研究的目的:
- 开发和验证一种深度学习模型,用于预测MDD中患者对rTMS的反应.
- 利用电脑电图 (EEG) 信号和先进的神经网络架构来准确地分类响应者和不响应者.
- 确定最有效的大脑区域和模型配置,以预测rTMS治疗结果.
主要方法:
- 利用来自公共数据集 (TDBRAIN) 和专有MDD受试者的预处理EEG信号.
- 应用连续波形变换 (CWT) 用于EEG数据的时间频率表示.
- 使用预训练的卷积神经网络 (CNN),如VGG16和EfficientNetB0,增强双向长期短期记忆 (BLSTM) 和注意力机制.
主要成果:
- 基于EfficientNetB0的TL-LSTM-Attention模型在专有数据上实现了高性能,精度为97.1%,灵敏度为97.3%,特异性为97.0%,额头区域AUC为0.96.
- 在公开的TDBRAIN数据集上进行的评估显示了可通用性,准确度为82.3%,灵敏度为80.2%,特异性为81.9%,AUC为0.83.
- 额头大脑区域在各种模型中显示出最高的预测性能.
结论:
- 先进的深度学习模型,特别是TL-BLSTM-Attention with EfficientNetB0,可以准确地预测MDD患者的rTMS治疗反应.
- 从额头区域进行时间频率EEG分析是个性化rTMS治疗的有希望的生物标志物.
- 拟议的方法提供了一个强大的平台,以提高rTMS对MDD的临床实用性.
