使用机器学习对皮层和皮层以下措施进行重度抑郁症的多站点基准分类
Vladimir Belov1, Tracy Erwin-Grabner1, Moji Aghajani2,3
1Laboratory of Systems Neuroscience and Imaging in Psychiatry (SNIP-Lab), Department of Psychiatry and Psychotherapy, University Medical Center Göttingen (UMG), Georg-August University, Von-Siebold-Str. 5, 37075, Göttingen, Germany.
Scientific reports
|January 11, 2024
概括
机器学习模型在使用5,000多个个人的神经成像数据来对主要抑郁症 (MDD) 进行分类时,达到~62%的准确性. 统一数据将准确度降低到52%左右,突显了可泛化MDD分类的挑战.
科学领域:
- 神经成像是一种神经成像.
- 计算精神病学是一种计算精神病学.
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 显示了使用神经成像数据对神经精神疾病的分类的前景.
- 现有的ML算法面临诸如小样本大小,数据泄露和过度匹配等局限性,阻碍了诊断预测能力.
研究的目的:
- 为重大抑郁症 (MDD) 建立一个可通用的机器学习分类基准.
- 通过利用迄今为止最大的多站点样本大小 (N=5365),克服先前研究的局限性.
- 评估MDD分类的浅线性和非线性模型.
主要方法:
- 在FreeSurfer中利用了来自标准化的ENIGMA分析管道的脑部测量.
- 采用浅线性和非线性机器学习模型.
- 分类主要抑郁障碍 (MDD) 与健康对照 (HC) 使用大型多站点数据集 (N=5365).
- 评估数据协调技术 (如ComBat) 对分类准确性的影响.
主要成果:
- 在数据协调之前,实现了大约62%的平衡准确度,用于对MDD与HC进行分类.
- 在使用ComBat.Bat协调数据后,平衡精度下降到大约52%.
- 分类准确度接近基于临床变量 (发病年龄,药物,病例数,性别) 的分层子组的随机机会水平.
结论:
- 目前使用标准神经成像特征的浅层机器学习模型为MDD提供了有限的可概括的分类准确性,即使样本大小也很大.
- 数据协调技术可能会降低分类性能,表明可能丢失相关信息或引入偏差.
- 未来的研究应该探索更高维特征和先进的机器/深度学习方法,以改进MDD分类.
