确定可解释性抑郁症患者中重复性横磁刺激反应的预测生物标志物

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 重复性跨磁刺激 (rTMS) 是一种成熟的抑郁症治疗方法,但患者的反应有很大差异.
• 预测rTMS治疗结果对于优化患者护理和提高治疗疗效至关重要.
• 机器学习 (ML) 提供了预测个人对rTMS的反应的潜力.

研究的目的:

• 开发和验证一种新的ML模型,用于预测抑郁症中rTMS治疗结果.
• 整合功能磁共振成像 (fMRI) 连接数据与深度学习进行结果预测.
• 使用可解释AI (XAI) 识别与rTMS反应相关的潜在神经成像生物标志物.

主要方法:

• 开发了一个深度学习模型,具体来说是一个feedforward深度神经网络.
• 该模型将fMRI衍生的大脑连接数据与ML技术集成在一起.
• 实验涉及200个启动抽样运行在两个rTMS数据集,比较性能与现有方法使用精度,平衡精度和F1-score.

主要成果:

• 拟议的深度学习模型与现有方法相比,表现优越.
• 在61名患者的队列中实现了高预测准确性 (0.9423),平衡准确性 (0.9423),和F1得分 (0.9461).
• 鉴定了子前扣状皮质和中枢操作性皮质之间的功能连接,作为rTMS反应的关键预测因素.

结论:

• 开发的ML模型使用治疗前的fMRI数据准确地预测了rTMS治疗抑郁症的结果.
• 功能连接模式,特别是特定大脑区域之间的功能连接模式,是rTMS反应的关键决定因素.
• 该模型和已识别的生物标志物为个性化精神病学和理解RTMS机制提供了有价值的工具,有可能在多中心部署.