大脑的多对比,扩散张力成像的多图表细分和集体学习自动诊断晚年抑郁症

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 老年精神病学是一门精神病学专业.

背景情况:

• 晚年主要抑郁症的诊断可能具有挑战性.
• 白质完整性的变化与抑郁症有关.
• 先进的神经成像和计算方法提供了新的诊断途径.

研究的目的:

• 为了评估机器学习在分类晚年抑郁症方面的潜力.
• 为了确定特定的白质特征预测抑郁症.
• 为了评估扩散张力成像 (DTI) 衍生指标的诊断准确性.

主要方法:

• 使用MRIcloud对DTI数据进行全脑白质细分,这些数据来自26名晚年抑郁症患者和12名从未患过抑郁症的患者 (>55岁).
• 从146个白质颗粒中提取分数异构体积,平均分数异构体积,痕量,轴向扩散率和辐射扩散率 (RD).
• 通过12倍交叉验证进行AdaBoost和梯度提升分类器的培训和测试;通过标签排列测试评估统计显著性.

主要成果:

• AdaBoost分类器使用痕迹实现了71% (ROC-AUC 0.81) 的平衡精度,使用RD实现了70% (ROC-AUC 0.80).
• 分类的关键结构包括边缘性,皮层-基底性 - 胸膜-皮层循环,脑干,囊和小脑区域;是最重要的.
• 分类器的表现具有统计学意义 (P <0.05);梯度提升产生了类似的结果,而SVM不超过机会水平.

结论:

• 机器学习,特别是AdaBoost,可以有效地使用DTI衍生白质特征对晚年抑郁症进行分类.
• 特定的白质通路,特别是,对于诊断歧视至关重要.
• 这些发现支持计算机辅助诊断工具的开发,以及对晚年抑郁症的解剖学信息治疗策略.