一种新的精神分裂症诊断方法,基于全球的数据
Olga Bayar Kapici1, Yaşar Kapici2, Atilla Tekın3
1Department of Radiology, Adıyaman Training and Research Hospital, Adıyaman, Turkey.
Psychiatry research. Neuroimaging
|November 3, 2023
概括
机器学习使用脑扫描数据准确诊断精神分裂症. 特定的大脑区域的体积,如左侧心室,是早期发现第一发精神病 (FEP) 患者的关键指标.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 精神病诊断 精神病诊断 精神病诊断
背景情况:
- 精神分裂症的诊断依赖于临床症状,往往导致治疗延迟.
- 神经成像研究揭示了精神分裂症患者的大脑结构差异.
- 机器学习为精神病学中的客观诊断工具提供了潜力.
研究的目的:
- 研究机器学习算法在诊断精神分裂症方面的有效性.
- 为了确定特定的大脑体积指标,预测第一发精神病 (FEP).
主要方法:
- 利用机器学习算法,包括贝叶斯神经网络,逻辑回归,决策树,k-最近邻居和支持向量机 (SVM) 与高斯核.
- 分析了125名个体的脑成像数据,重点关注左侧心室和左球的体积.
- 在FEP患者和健康对照者 (HCs) 之间比较大脑体积.
主要成果:
- 与HC患者相比,在FEP患者中观察到明显较低的左侧心室和左球的体积.
- 逻辑回归实现了73.6%的准确性,用于使用大脑体积来诊断FEP.
- SVM内核分类器方法在FEP诊断方面表现出更高的准确性 (86.4%).
结论:
- 大脑体积指标,特别是左侧心室和左球体的体积指标,是精神分裂症的重要指标.
- 使用大脑体积的SVM内核分类器方法显示,对准确的FEP诊断具有很高的潜力.
- 这种方法可能会导致早期和更客观的精神分裂症诊断能力.
