使用临床脑电图和可解释图形神经网络协助精神分裂症诊断:现实世界和跨站点研究
Haiteng Jiang1,2,3, Peiyin Chen4,5, Zhaohong Sun6
1Affiliated Mental Health Center & Hangzhou Seventh People's Hospital and School of Brain Science and Brain Medicine, Zhejiang University School of Medicine, Hangzhou, China.
概括
这项研究开发了一个可解释的深度学习模型,使用电脑电图 (EEG) 数据来诊断精神分裂症 (SCZ). 该模型显示了可靠的SCZ检测在不同的人群和临床环境的承诺.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 精神分裂症 (SCZ) 是一种严重的精神障碍,缺乏客观的诊断工具.
- 临床脑电图 (EEG) 显示了检测SCZ神经病理的潜力.
- 对EEG生物标志物在不同数据集中的可转移性仍然是一个挑战.
研究的目的:
- 开发一个先进的,可解释的深度学习模型用于SCZ诊断,使用多式EEG和人口统计数据.
- 通过对各种临床场景的转移学习策略来增强模型的通用性.
- 为了验证模型的性能,并确定SCZ.可靠的EEG生物标志物.
主要方法:
- 开发了一个可解释的深度学习模型,将多式临床EEG特征和人口信息与图形神经网络集成在一起.
- 使用转移学习策略,使模型适应不同的临床环境.
- 该模型在中国数据集上进行了训练,并通过大规模的美国数据集进行了增强,随后在独立的中国和俄罗斯数据集上进行了跨站点验证.
主要成果:
- 在独立的中国数据集上进行的跨站点验证结果显示,AUC为0.793-0.852,准确度为0.786-0.858.2,性能稳定.
- 在俄罗斯青少年数据集上的验证实现了AUC为0.702和准确度为0.690.
- 功能可视化确定了EEG和α频段功率作为SCZ病理学的显著和可转移的生物标志物.
结论:
- 开发的深度学习模型证明了使用EEG生物标志物进行SCZ歧视的可行性.
- 这些发现突显了基于EEG的精神分裂症诊断在多种临床环境和多种人群中的潜力.
- 脑电图 (EEG) 的和α频段功率被确定为SCZ的有前途的生物标志物.
