机器学习预测双极性障碍估计风险使用海马子和杏仁核体积
Fabian Huth1, Leonardo Tozzi2, Michael Marxen1
1Department of Psychiatry and Psychotherapy, Carl Gustav Carus University Hospital, Technische Universität Dresden, 01062 Dresden, Germany.
Brain sciences
|June 28, 2023
概括
早期发现双相情感障碍 (BD) 是至关重要的. 虽然风险青少年的结构性大脑差异并不显著,但机器学习准确地预测了BD风险,这表明了预后价值.
科学领域:
- 神经成像是一种神经成像.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 双极性障碍 (BD) 的病理生理学尚不清楚,需要早期检测生物标志物.
- 显而易见的BD患者显示海马和杏仁体体积减少.
- 识别有风险的个体是早期干预的关键.
研究的目的:
- 为了比较在寻求帮助的个体的边缘结构体积在BD的不同风险.
- 评估机器学习在区分 BD 风险组中的有用性.
- 调查BD潜在的早期神经成像生物标志物.
主要方法:
- 分析了7个地点271名参与者的结构性MRI扫描.
- 在风险组 (BPSS-P,BARS,EPIbipolar) 之间比较了海马,杏仁体及其子场/核的体积.
- 使用了线性混合效果模型和线性支向量机 (SVM).
主要成果:
- 在主要分析中,风险组之间没有发现边缘结构的显著体积差异.
- SVM对风险受试者进行了分类 (BPSS-P),精度为66.90% (10倍CV).
- 机器学习预测了BD风险超过机会,表明了潜在的预后价值.
结论:
- hippocampus 和杏仁体的显著结构变化可能不会在患BD风险的年轻人中表现出来.
- 机器学习模型可以预测估计的BD风险,这表明神经变化可能会在疾病之前发生.
- 这些发现强调了早期神经成像和机器学习在BD风险评估中的预后临床价值.
