基于休息状态功能磁共振成像数据的机器学习的诊断性能对于主要抑郁障碍:系统性审查和元分析
Yanjing Chen1, Wei Zhao1,2, Sijie Yi1
1Department of Radiology, Second Xiangya Hospital, Central South University, Changsha, Hunan, China.
Frontiers in neuroscience
|October 9, 2023
概括
机器学习 (ML) 通过静止状态功能磁共振成像 (rs-fMRI) 准确检测主要抑郁症 (MDD). 这一元分析证实了ML的存在.
科学领域:
- 神经成像和机器学习
- 精神病诊断 精神病诊断 精神病诊断
- 在医疗保健中的数据科学.
背景情况:
- 重度抑郁症 (MDD) 诊断依赖于临床评估,神经成像提供潜在的客观标志物.
- 机器学习 (ML) 模型越来越多地应用于神经成像数据,例如静止状态功能磁共振成像 (rs-fMRI),用于MDD检测.
- 基于ML的rs-fMRI对MDD的诊断效率需要全面的评估.
研究的目的:
- 进行更新的元分析,评估ML算法的诊断性能,使用rs-fMRI数据对MDD进行评估.
- 量化基于ML的MDD检测的聚合灵敏度,特异性,诊断几率比率 (DOR) 和曲线下的面积 (AUC).
- 确定影响诊断准确性的异质性来源.
主要方法:
- 在英语数据库中系统搜索相关研究.
- 使用诊断准确性研究的质量评估 (QUADAS-2) 工具对包括的研究进行质量评估.
- 随机效应元分析用于计算聚合诊断指标,元回归/子组分析用于探索异质性.
主要成果:
- 包括31项研究,其聚合灵敏度为0.80,特异性为0.83,DOR为14.00,AUC为0.86.
- 观察到实质性的异质性,诸如交叉验证方法,图形理论应用,样本大小 (>100),设备 (西门子),场强度 (3.0T) 和抑郁度表 (BDI) 等因素影响了结果.
- 亚组分析表明,样本大小,疾病严重程度 (HDRS/HAMD),使用的抑郁症尺度和特征类型 (图形与功能连接) 导致异质性.
结论:
- 在使用rs-fMRI数据检测MDD时,ML显示了高的诊断准确度.
- 这些发现支持ML分类算法在临床环境中对MDD诊断的潜在实用性.
- 建议进行进一步的研究,以优化和验证这些算法用于现实世界的临床应用.
