用外围炎症生物标志物构建用于精神分裂症诊断的预测模型

科学领域:

• 精神病学是一个精神病学.
• 计算神经科学是一种神经科学.
• 生物标志物发现发现

背景情况:

• 精准精神病学利用机器学习 (ML) 和人工智能 (AI) 来分析复杂的多领域数据.
• 精神分裂症研究通常使用神经成像,语音,语言和手机数据.
• 外围生物标记为精神分裂症的预测建模提供了一个额外的有价值的数据来源.

研究的目的:

• 开发和评估五种不同的预测模型,用于对精神分裂症患者与健康个体进行二元分类.
• 在38个参数中,评估细胞因子,化学因子,生长因子和年龄的血清度对精神分裂症预测的有用性.
• 通过机器学习方法研究外围生物标记物的诊断潜力.

主要方法:

• 开发了五种预测模型:逻辑回归,深度神经网络 (DNN),决策树,支持矢量机 (SVM) 和k-最近邻居 (KNN).
• 使用了包含38个参数的数据集,包括217名精神分裂症患者和90名健康对照者的血清生物标志物度和年龄.
• 基于对二进制分类的灵敏度和特异性的评估模型性能.

主要成果:

• 深度神经网络 (五层) 模型表现出略高的性能,灵敏度为0.87±0.04和特异性为0.52±0.06.
• 将所有38个变量结合到一个单一的分类器中,产生了超过单个变量的有效性的累积效应.
• 这些发现强调了整合多种生物标志物的必要性,以准确诊断精神分裂症.

结论:

• 通过机器学习方法分析的外围生物标记数据,显示出对精神分裂症诊断的重大前景.
• 深度神经网络是分析精神病学研究中复杂生物标记数据的强大工具.
• 该研究主张采用多种生物标志物方法,增强ML,以提高精神分裂症的诊断准确性.