基于ICA的个性化差异结构相似性网络,用于预测患有重大抑郁障碍的青少年的症状得分

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.
• 大脑网络分析 脑网络分析

背景情况:

• 重度抑郁症 (MDD) 是一种复杂的情绪障碍,具有已知的结构性大脑变化,但现有的使用亚特拉斯分片区域的小组分析限制了个人评估.
• 目前的方法往往依赖于预定义的大脑地图,缺乏适应性和个体特异性.

研究的目的:

• 提出和验证一种新的,无图谱的方法,基于独立组件分析 (ICA) 的个人差异结构相似性网络 (IDSSN),用于测量MDD中大脑结构的个体差异.
• 评估IDSSN在青少年MDD患者中预测临床症状的能力.

主要方法:

• 构建个性化的全脑结构共变性网络,使用网络扰动方法与空间受限制的ICA.
• 从健康对照的灰质体积 (GMV) 中生成基准独立成分 (IC).
• 通过比较患者衍生的ICs (来自"每个患者+所有对照") 与基准ICs来计算个体异质性,以获得每个患者的32个成像特征和结构相似性网络.

主要成果:

• 在189名青少年MDD患者中,基于ICA的IDSSN特征在预测临床症状 (汉密尔顿焦虑量表,17项汉密尔顿抑郁量表和6种临床综合征) 中,与其他大脑模板相比,显示出更高的疾病特异信息.
• 基于Connectome的预测建模显示,与抑郁症相关的网络主要涉及默认模式网络和视觉网络.
• IDSSN方法有效地检测了MDD患者和健康对照之间的GMV偏差和特异性.

结论:

• 拟议的基于ICA的IDSSN方法为基于大脑结构的MDD的个人级别临床异质性评估提供了适应性和无图谱的解决方案.
• 这种方法提高了检测灰色物质体积偏差和特异性的能力,为了解MDD提供了新的视角.
• 这些发现突显了IDSSN在重大抑郁症患者个性化医疗中的潜力.