采样不平等影响了精神病学中基于神经成像的诊断分类器的泛化
Zhiyi Chen1,2, Bowen Hu3, Xuerong Liu4
1Experimental Research Center for Medical and Psychological Science (ERC-MPS), School of Psychology, Third Military Medical University, Chongqing, China. chenzhiyi@tmmu.edu.cn.
BMC medicine
|July 3, 2023
概括
用于精神病诊断的机器学习模型显示了全球显著的抽样不平等,与经济差异有关,影响了概括性. 在采样方面提高经济平等对于这些基于神经成像的诊断工具的临床转化至关重要.
科学领域:
- 精神病学是一个精神病学.
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 机器学习 (ML) 模型在精神疾病诊断方面表现有前途.
- ML模型的普遍性不佳阻碍了它们的临床应用.
研究的目的:
- 在基于神经成像的精神病诊断ML模型中量化评估全球和区域采样问题.
- 开发一个评级系统来评估这些ML模型的质量.
主要方法:
- 使用神经成像数据对476项精神病学研究 (n=118,137) 的元研究评估.
- 使用吉尼系数对采样不平等的定量分析.
- 开发一个5星级的ML模型质量评级系统.
主要成果:
- 观察到显著的全球抽样不平等 (G=0.81),与国家经济水平相关.
- 更高的抽样不平等与更高的报告分类准确性有关.
- 诸如缺乏独立测试 (84.24%),不适当的交叉验证 (51.68%) 和透明度/可用性差 (87.8%/80.88%) 等问题的普遍性.
- 随着独立的跨国验证,模型性能下降.
结论:
- 在采样方面提高经济平等对于提高ML诊断模型的通用性和临床翻译至关重要.
- 解决抽样偏见和方法限制对于使用ML进行可靠的精神病诊断至关重要.
