基于功能近红外光谱学的可解释深度学习模型,用于评估主要抑郁症
Cyrus Su Hui Ho1, Jinyuan Wang2, Gabrielle Wann Nii Tay3
1Department of Psychological Medicine, Yong Loo Lin School of Medicine, National University of Singapore, Singapore; Department of Psychological Medicine, National University Hospital, Singapore.
Asian journal of psychiatry
|January 6, 2024
概括
这项研究使用功能近红外光谱学 (fNIRS) 和人工智能客观诊断主要抑郁症 (MDD) 和其严重程度. 人工智能模型实现了高精度,为临床评估提供了一个新的工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 大型抑郁症 (MDD) 的诊断依赖于主观的症状报告.
- 需要客观的MDD诊断方法.
- 目前对MDD的诊断方法需要改进.
研究的目的:
- 建立一个客观的MDD测量和评估.
- 开发一个可解释的深度学习模型,用于MDD查和严重程度分期.
- 为了研究使用fNIRS的MDD患者的大脑活动.
主要方法:
- 利用功能近红外光谱 (fNIRS) 来测量大脑活动.
- 开发了一个深度学习模型,使用263名健康对照和251名MDD患者的数据集.
- 采用沙普利增量解释 (SHAP) 来识别重要的大脑区域.
主要成果:
- 深度学习模型实现了MDD诊断的80.9%准确率和严重程度阶段的78.6%.
- 确定了前额叶和皮质的关键大脑区域,有助于识别MDD.
- 额头和部区域的皮质通道显示出MDD的良好分辨能力.
结论:
- 将fNIRS与AI集成为客观MDD分类和分期提供了一个有希望的方法.
- 这种人工智能驱动的方法可以增强临床评估,并为诊断和干预提供见解.
- 这项研究强调了神经成像和人工智能在改善心理健康诊断方面的潜力.
