机器学习功能连接到生物型的机器学习 酒精和尼古丁使用障碍
Tan Zhu1, Wuyi Wang2, Yu Chen3
1Department of Computer Science and Engineering, School of Engineering, University of Connecticut, Storrs, Connecticut.
Biological psychiatry. Cognitive neuroscience and neuroimaging
|September 11, 2023
概括
这项研究使用神经成像和遗传数据确定了酒精使用障碍 (AUD) 和尼古丁使用障碍 (NUD) 的三个不同的生物型. 这些生物型提高了诊断准确度,并揭示了AUD和NUD中的关键脑电路差异.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 是一个遗传学.
- 精神病学是一个精神病学.
背景情况:
- 磁共振成像 (MRI) 为研究酒精使用障碍 (AUD) 和尼古丁使用障碍 (NUD) 提供了非侵入性方法.
- 一种跨诊断,数据驱动的方法可以阐明AUD和NUD背后的神经生物学.
- 了解共同和独特的神经现象型对于开发有针对性的干预措施至关重要.
研究的目的:
- 使用数据驱动方法识别AUD和NUD的不同生物型.
- 整合临床,神经成像和遗传数据,以全面了解AUD和NUD.
- 开发和评估一个多任务的人工神经网络,用于基于已识别的生物型的AUD和NUD诊断.
主要方法:
- 利用了来自AUD (n=140),NUD (n=249) 和健康对照组 (n=461) 的英国生物库数据.
- 集成的休息状态功能连接 (FC) 功能与临床指标来将参与者分为生物型.
- 训练了一种多任务人工神经网络来分类生物型,并共同推断AUD和NUD诊断.
主要成果:
- 确定了三种生物型:初级NUD,混合NUD/AUD与抑郁和焦虑,混合AUD/NUD.
- 结合生物型知识的多任务分类器在诊断准确性方面明显优于单任务分类器 (AUD:0.76与0.61,NUD:0.74与0.64).
- 大脑小叶和视觉皮层的FC特征是生物型和健康对照之间的关键差异,与混合AUD/NUD生物型相关的TNRC6A多态性.
结论:
- 生物类型与多任务学习相结合,有效地描述了AUD和NUD的临床和遗传特征.
- 识别的小脑和视觉电路标记可以区分AUD/NUD组与健康对照组.
- 这些发现有助于越来越多的关于物质使用障碍的神经生物学基础的文献.
