基于机器学习识别青少年自杀风险的基础结构性大脑变化
Sahil Bajaj1, Karina S Blair2, Matthew Dobbertin2,3
1Multimodal Clinical Neuroimaging Laboratory (MCNL), Center for Neurobehavioral Research, Boys Town National Research Hospital, 14015 Flanagan Blvd. Suite #102, Boys Town, NE, USA. sahil.bajaj@boystown.org.
Discover mental health
|October 20, 2023
概括
机器学习确定了自杀风险的青少年的大脑结构差异. 这种方法准确地区分了有风险的个体,突出了预防自杀的潜在神经影像生物标志物.
科学领域:
- 神经成像是一种神经成像.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 自杀是青少年死亡的主要原因,需要更好地识别有风险的个体.
- 目前用于自杀风险的神经成像生物标志物缺乏足够的准确性.
- 识别可靠的神经特征对于早期干预和预防策略至关重要.
研究的目的:
- 将机器学习算法应用于结构性MRI数据,以从典型发育的青少年中区分具有自杀风险的个人.
- 为了确定与青少年自杀风险相关的特定区域的大脑结构变化.
- 利用神经成像数据,开发一个准确的,个体级别的自杀风险评估.
主要方法:
- 分析了79名具有自杀风险的青少年和79名典型发育的对照者的结构性MRI数据.
- 在全脑分片后,提取了特定区域的皮层和皮下体积 (CV/SCV).
- 支持矢量机 (SVM),K-最近邻居和集成算法被用于分类.
主要成果:
- SVM分类器在区分自杀风险和典型发育的青少年方面取得了最高的准确性 (74.79%).
- 关键的区分区域包括前额/叶的皮质体积减少和骨/前骨体积增加.
- 观察到高灵敏度 (75.90%) 和特异性 (74.07%),其AUC为87.18%.
结论:
- 机器学习有效地识别了青少年自杀风险的结构性大脑生物标志物.
- 这项研究提供了一个强大的,公正的框架,用于通过神经成像来评估自杀风险.
- 建议对更大的队列和临床对照进行进一步验证,以确认发现.
