对主要抑郁症障碍的基于机器学习的生物标志物的系统评估
Nils R Winter1,2, Julian Blanke1, Ramona Leenings1,3
1Institute for Translational Psychiatry, University of Münster, Münster, Germany.
JAMA psychiatry
|January 10, 2024
概括
机器学习 (ML) 模型无法使用神经成像数据识别主要抑郁症 (MDD) 的可靠生物标志物. 尽管进行了广泛的分析,但诊断准确度仍然有限,这表明需要新的方法来理解MDD.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 数据科学数据科学数据科学
背景情况:
- 生物精神病学寻求神经生物学解释精神障碍.
- 严重抑郁症 (MDD) 缺乏信息生物标志物,尽管其流行程度和影响.
- 目前的神经成像和遗传方法还没有为MDD提供可靠的诊断标记.
研究的目的:
- 确定机器学习 (ML) 是否可以识别MDD的多变量生物标志物.
- 用全面的神经成像数据评估ML模型的诊断分类准确性.
- 评估整合各种神经成像模式和多基因风险评分用于MDD检测的实用性.
主要方法:
- 利用马尔堡-斯特情绪障碍队列研究和斯特神经成像队列 (MNC) 的数据进行复制.
- 包括患有MDD的患者和年龄在18-65岁之间的健康对照.
- 通过结构性MRI,功能性MRI,扩散张力成像和多基因风险得分,训练并测试了超过400万个ML模型.
主要成果:
- 诊断分类的ML模型准确度在48.1%至62.0%之间.
- 整合多种神经成像模式或按人口统计学/临床状态分层并没有提高表现.
- 在MNC样本中的复制证实了这些发现,结构性MRI显示了一些实用性.
- 模型错误分析表明症状严重程度是未来研究的潜在焦点.
结论:
- 使用广泛的ML优化,没有识别出MDD的有信息的个人级生物标志物.
- 多变量神经成像标志物显示出比单变量标志物更好的预测能力,但不足以进行可靠的诊断.
- 需要进一步的研究来确定主要抑郁症障碍的强大的生物标志物.
