多特征连接和多分类器堆叠:一种可解释和可概括的机器学习方法,用于使用rsfMRI对MDD进行歧视.
Yunsong Luo1, Wenyu Chen1, Ling Zhan1
1College of Computer and Information Science, Southwest University, Chongqing, 400715, PR China.
NeuroImage
|December 24, 2023
概括
一种新的机器学习方法 (MFMC) 准确地区分主要抑郁症 (MDD) 患者使用休息状态功能性MRI (rsfMRI) 数据. 这种方法提高了诊断的准确性,并确定了潜在生物标志物的关键大脑区域.
科学领域:
- 神经成像是一种神经成像.
- 精神疾病 精神疾病
- 机器学习 机器学习
背景情况:
- 重度抑郁症 (MDD) 是一种复杂的精神疾病,需要精确的诊断工具.
- 休息状态功能性MRI (rsfMRI) 为MDD研究提供了对大脑结构,功能和连接的宝贵见解.
- 目前使用rsfMRI进行MDD歧视的机器学习方法很有希望,但需要提高准确性,概括性和可解释性.
研究的目的:
- 开发和验证先进的机器学习方法 (MFMC) 以改善对MDD患者与健康对照进行歧视.
- 增强基于机器学习的MDD诊断方法的概括性和解释性.
- 为了确定MDD诊断和预后的潜在神经成像生物标志物.
主要方法:
- 提出了一种新的机器学习方法 (MFMC),集成多个功能和堆叠分类器.
- 在大型REST-meta-MDD数据集上测试了MFMC,包括来自25个不同站点的2428名受试者.
- 使用XGBoost作为一个元分类器,以使决策过程的探测和特征的重要性.
主要成果:
- MFMC实现了96.9%的高MDD歧视精度,超过了现有方法.
- 通过保持来自不同站点的独立培训和测试数据集的性能,证明了强大的通用性.
- 确定了来自9个大脑区域的13个关键特征值 (例如,后带带状回环,上额回环轨道部分,角回环),这些特征值对分类有显著的贡献.
结论:
- 拟议的MFMC方法在使用rsfMRI的MDD诊断的准确性和通用性方面取得了重大进展.
- 确定的大脑特征和区域显示出作为MDD可靠的诊断和预后生物标志物的潜力.
- MFMC的可解释性有助于理解MDD的神经生物学基础,并支持临床应用.
