使用数据驱动的计算方法基于神经成像的PTSD分类:来自ENIGMA-PGC PTSD联盟的多站点大数据研究
Xi Zhu1, Yoojean Kim2, Orren Ravid2
1Department of Psychiatry, Columbia University Medical Center, New York, NY, USA; New York State Psychiatric Institute, New York, NY, USA.
NeuroImage
|October 20, 2023
概括
机器学习模型在对不同大脑数据集进行创伤后应激障碍 (PTSD) 的分类时显示出有限的准确性. 一个否定变异自编码器 (DVAE) 框架为多站点神经成像数据提供了更好的概括性.
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 机器学习
背景情况:
- 数据驱动的计算方法正在推动精神疾病的诊断.
- 目前对PTSD的机器学习研究受限于小,均的样本和多种方法,阻碍了结果的概括.
- 这项研究利用来自ENIGMA-PGC PTSD工作组的大型,异质的大脑数据集来对PTSD与对照进行分类并评估概括性.
研究的目的:
- 为了分类患有创伤后应激障碍 (PTSD) 的人与使用大规模,多站点脑成像数据的对照.
- 评估传统机器学习方法的可通用性和可重复性,以及一个无声化的变量自编码器 (DVAE) 框架.
- 在大型,异构的神经成像数据集中建立PTSD的基线分类性能.
主要方法:
- 分析了分别来自3,477,2,495和1,952个人的结构MRI (s-MRI),静止状态fMRI (rs-fMRI) 和扩散MRI (d-MRI) 数据.
- 识别脑部特征,区分PTSD与使用传统机器学习的对照.
- 通过离开一个站点的交叉验证对排序性能和通用性进行排斥变异自编码器 (DVAE) 的评估.
主要成果:
- 对于多个地点的PTSD与对照的分类性能是温和的 (60%的AUC为s-MRI,59%为rs-fMRI,56%为d-MRI).
- 当将PTSD从没有创伤史 (75%AUC) 的健康对照组分类时,表现显著改善.
- 与传统方法相比,DVAE框架对未见的数据集进行了更好的概括,保持了分类性能,同时减少了特征维度.
结论:
- 大规模的神经成像数据集为PTSD分类提供了基线,突出了对照组选择对表现的影响.
- DVAE框架在多个站点的数据中显示出卓越的概括性,这表明它有可能用于更强大的,临床上适用的基于神经成像的诊断模型.
- DVAE分类模型较少针对特定场所,提高了它们在各种临床环境中的适用性.
