扩散张力成像是否具有诊断实用性,可以区分两极性障碍和精神分裂症的早期发病形式:一项用可解释的机器学习算法进行神经成像研究
Yesim Saglam1, Ahmet Oz2, Gokcen Yildiz2
1Department of Child and Adolescent Psychiatry, University of Health Sciences, Bakirkoy Prof Dr Mazhar Osman Research and Training Hospital for Psychiatry, Neurology and Neurosurgery, Istanbul, Turkey.
Psychiatry research. Neuroimaging
|August 18, 2023
概括
机器学习模型有效地区分早期发作的精神分裂症 (EOS) 和早期发作的双相情感障碍 (EBD),使用白质管道 (WMT) 分析. 分数异构 (FA) 值揭示了微观结构差异,这对于准确诊断至关重要.
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.
- 机器学习在医学中的应用
背景情况:
- 精神疾病的早期诊断对于更好的患者结果至关重要.
- 区分早期发作的精神分裂症 (EOS) 和早期发作的双相情感障碍 (EBD) 是一个诊断挑战.
- 白物质通道 (WMT) 的微观结构完整性可能提供差异化的生物标志物.
研究的目的:
- 开发和验证用于区分EOS和EBD的机器学习 (ML) 算法.
- 确定特定的WMTs,可以预测EOS与EBD.
- 探索扩散张力成像 (DTI) 度量在早期发病精神病诊断中的实用性.
主要方法:
- 扩散张力成像 (DTI) 数据是从被诊断为EOS (n=43) 或EBD (n=32) 的青少年获得的.
- 全球概率曲谱 (TRACULA) 在42个主要的WMTs中分析了分数异构性 (FA).
- 极端梯度提升 (XGBoost) 和支持矢量机器线性模型用于特征选择和分类,并使用SHAP进行解释性.
主要成果:
- XGBoost确定了9个重要的WMTs,可以预测诊断组.
- 支持向量机器-线性模型实现了最佳的分类性能.
- 在特定的WMTs (左侧声波辐射,双边前部乳头辐射,大脑体) 中,SHAP值升高与EOS的可能性更高有关.
结论:
- 使用WMTs的FA值的机器学习模型可以识别EOS和EBD之间的微妙微观结构差异.
- 这种方法有望提高早期发病精神障碍诊断的准确性.
- 通过机器学习进行WMT微结构分析,为区分EOS和EBD提供了一个新的途径.
