使用机器学习和深度学习分析从精神分裂症患者的不同数据模式中的功能连接
Caroline L Alves1,2, Thaise G L de O Toutain3, Joel Augusto Moura Porto4
1University of São Paulo (USP), Institute of Mathematical and Computer Sciences (ICMC), São Paulo, Brazil.
Journal of neural engineering
|September 6, 2023
概括
机器学习模型使用脑成像数据准确诊断出精神分裂症. 在检测SCZ相关的大脑变化方面,脑电图测量比网络分析更有效.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 医疗成像医学成像
背景情况:
- 精神分裂症 (SCZ) 影响全球2600万,其特点是精神病,幻觉和妄想.
- 机器学习 (ML) 和深度学习越来越多地用于自动化SCZ诊断和研究大脑网络动态.
研究的目的:
- 开发一种严格的ML/深度学习方法,用于使用大脑连接的SCZ自动诊断.
- 了解SCZ个体大脑网络的拓和动态.
- 将EEG措施与复杂的网络分析相结合,以获得新的见解.
主要方法:
- 使用功能磁共振成像 (fMRI) 和电脑电图 (EEG) 数据集.
- 结合了EEG测量 (Hjorth移动性,复杂性) 与复杂的网络指标.
- 应用ML和深度学习用于评估连接矩阵和网络措施.
主要成果:
- 与对照人群相比,SCZ患者在大脑区域中发现了显著的相关性.
- 网络直径成为跨模式的关键生物标志物.
- SCZ大脑网络显示分离和信息分布减少.
- 对复杂网络来说,EEG测量在捕捉SCZ大脑变化方面表现优越.
结论:
- 开发的模型实现了SCZ分类的高精度 (98.5%的fMRI,95.4%的EEG) 和AUC (100%的fMRI,95%的EEG).
- 研究了特定的大脑连接和网络措施,有助于分类准确性.
- 这项研究为自动化SCZ诊断和理解大脑网络变化提供了强大的框架.
