使用结构性大脑MRI和个人特征数据与机器学习框架的ADHD诊断

科学领域:

• 神经成像是一种神经成像.
• 计算精神病学是一种计算精神病学.
• 机器学习 机器学习

背景情况:

• 注意缺陷/多动障碍 (ADHD) 的自动诊断仍然是一个重大挑战,需要客观和非侵入性的方法.
• 结构磁共振成像 (sMRI) 提供了对大脑形态的洞察,可能有助于ADHD的分类.
• 将个人特征 (PC) 与神经成像数据相结合可能会提高诊断准确度.

研究的目的:

• 利用结构性MRI和PC数据开发和评估一个用于ADHD分类的自动诊断系统.
• 确定突出的神经成像和个人特征特征,以区分ADHD与典型发育儿童 (TDC).
• 为了比较各种机器学习分类器对ADHD诊断的性能.

主要方法:

• 使用了316名ADHD和316名TDC个体的年龄平衡数据集.
• 从sMRI扫描中提取了体积灰质 (GM) 特征 (AAL3图谱) 和皮质厚度 (CT) 特征 (Destrieux图谱).
• 使用最小冗余最大相关性 (mRMR) 和整体特征选择 (EFS) 进行了特征选择.
• 五个分类器 (k-NN,逻辑回归,线性SVM,RBSVM,随机森林) 经过训练并使用十倍交叉验证方案进行评估.

主要成果:

• 75%的最高分类准确度是使用CT和PC功能与辐射式SVM (RBSVM) 和线性SVM分类器结合EFS.实现的.
• 分析显示,与TDC相比,ADHD个体在15个大脑区域增加了GM体积,在27个大脑区域减少了皮质厚度.
• 在七个实验设置中探索了不同的特征组合.

结论:

• 使用结构性MRI和个人特征数据,可以实现自动化ADHD分类.
• 用SVM变体和EFS分析皮层厚度和个人特征,显示出ADHD诊断的前景.
• 观察到的大脑结构差异 (GM体积增加,CT体积减少) 提供了ADHD的潜在生物标志物.