在精神病的分类中,对单一与多模式神经成像技术的元分析和系统审查

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 精神病乱涉及到大脑网络的异常.
• 神经成像技术,如T1加权成像 (T1),扩散张力成像 (DTI) 和静止状态功能连接 (rs-FC) 用于识别这些异常.
• 不同的神经成像模式对精神病分类的相对有效性尚不清楚.

研究的目的:

• 系统地评估机器学习对精神分裂症谱系障碍的分类性能,使用各种神经成像模式.
• 为了比较单模 (T1,DTI,rs-FC) 和多模神经成像方法的疗效.
• 识别影响分类准确性的因素,包括成像模式,人口统计和预处理方法.

主要方法:

• 一项对93项研究的系统元分析,将精神分裂症谱系障碍的机器学习分类与健康对照进行比较.
• 纳入标准规定了全脑分析和预测能力评估的交叉验证.
• 在2023年3月13日之前搜索的主要数据库 (Ovid MEDLINE,PubMed,PsychInfo,谷歌学者,科学网)

主要成果:

• 所有方法都可靠地将精神分裂症谱系障碍患者与对照者区分开来 (OR=2.64).
• 各种分类方式的分类性能相似,rs-FC在外部数据集中比T1略有优势.
• 在多式联络方式和单式联络方式之间没有发现显著差异;在研究中发现了大量的异质性和偏见.

结论:

• 神经成像对精神病的分类有前途,目前的模式表现类似.
• 静止状态功能连接 (rs-FC) 在特定情况下比结构模式略有优势.
• 迫切需要更多使用外部预测和大样本大小的研究,以及标准化的严格方法.