非线性处理和强化学习用于预测抑郁症中rTMS治疗反应
Elias Ebrahimzadeh1, Amin Dehghani2, Mostafa Asgarinejad3
1School of Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, Iran; School of Cognitive Sciences, Institute for Research in Fundamental Sciences (IPM), Tehran, Iran.
Psychiatry research. Neuroimaging
|December 3, 2023
概括
机器学习准确地预测重复性跨脑磁刺激 (rTMS) 治疗响应在主要抑郁症 (MDD) 患者使用前治疗EEG数据. 这种方法可以节省时间和成本,因为在治疗开始之前可以识别可能的响应者.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 重复性横磁性刺激 (rTMS) 是一种主要抑郁症 (MDD) 的治疗方法.
- 预测rTMS的疗效可以通过避免不有益的治疗来节省大量的时间和医疗成本.
- 机器学习模型可能会将患者分为对rTMS的响应者 (R) 和非响应者 (NR).
研究的目的:
- 开发和验证一种机器学习方法,用于预测MDD患者的rTMS治疗结果.
- 从治疗前的EEG数据中识别可靠的神经生理学标记,区分rTMS响应者和不响应者.
- 为了提高接受rTMS治疗的MDD患者治疗选择的准确性.
主要方法:
- 休息状态EEG数据从106名MDD患者收集,在7周rTMS治疗课程之前使用32个电极.
- 独立组件分析 (ICA) 应用于EEG数据,以确定脊侧前额皮层 (DLPFC) 中的神经活动标志物.
- 来自独立组件时间序列的特征,包括功率和双光谱测量,使用强化学习 (RL) 进行分析,并通过十倍交叉验证与K-Nearest Neighbor (KNN),Support Vector Machine (SVM) 和Multilayer Perceptron (MLP) 分类.
主要成果:
- 包括β功率和delta/β频段双光谱元素在内的关键EEG特征被确定为rTMS响应的强有力的预测因素.
- 综合特征向量实现了高分类性能:95.28%的准确度,94.23%的特异性,96.29%的灵敏度,94.54%的精度使用SVM.
- 统计分析证实了受访者与非受访者之间所选特征的区分能力.
结论:
- 拟议的机器学习方法,使用前治疗EEG的功率,非线性和双光谱特征,可以有效地预测MDD患者的rTMS结果.
- 与预测治疗反应的现有方法相比,这种方法显示出更高的性能.
- 这些发现支持使用单次治疗前EEG会话来个性化选择MDD的rTMS治疗.
