多式成像测量预测临床反应的深度大脑刺激对耐火抑郁症:一个机器学习方法的方法
Rajamannar Ramasubbu1,2, Elliot C Brown3, Pauline Mouches4
1Department of Psychiatry, Clinical Neurosciences, Mathison Centre for Mental Health Research & Education, Calgary, Alberta, Canada.
概括
预测治疗耐药抑郁症 (TRD) 深度大脑刺激 (DBS) 结果的机器学习模型显示,区域大脑葡萄糖代谢 (CMRGlu) 成像是最准确的. 结合成像方式并没有提高预测准确度,而不是单独使用CMRGlu.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 精神病学是一个精神病学.
背景情况:
- 耐治疗抑郁症 (TRD) 是一个重大的临床挑战.
- 深度大脑刺激 (DBS) 是TRD的新兴治疗方法.
- 预测DBS治疗结果对于患者的选择和管理至关重要.
研究的目的:
- 在TRD中比较机器学习模型来预测DBS治疗结果.
- 为了评估预测准确性的单模对多模神经图像测量.
- 为了确定最佳的成像生物标志物,用于下带细胞 (SCC) -DBS响应.
主要方法:
- 在基线时评估了接受SCC-DBS的19名TRD患者.
- 神经成像测量包括区域大脑葡萄糖代谢 (CMRGlu),大脑血流 (CBF) 和灰质体积 (GMV).
- 采用了OneR特征选择和Naïve Bayes分类,并使用了离开一个的交叉验证.
主要成果:
- 该CMRGlu分类模型实现了最高准确度 (84%).
- 在CBF和GMV模型中,准确度较低 (分别为74%).
- 将所有三种成像模式结合起来,结果与单独使用CMRGlu模型的准确度相似 (84%).
结论:
- 区域大脑葡萄糖代谢 (CMRGlu) 成像是TRD中SCC-DBS结果的有希望的预测指标.
- 在TRD中对DBS的多变量预测模型可以从CMRGlu措施中受益.
- 未来的研究应该集中在特征选择和多式联络成像集成的先进模型上.
