基于休息状态EEG和单脉冲横磁刺激引起的EEG指数来确定主要抑郁障碍的人工智能的发展
Yoshihiro Noda1, Kento Sakaue1,2, Masataka Wada1
1Department of Neuropsychiatry, Keio University School of Medicine, Tokyo 160-8582, Japan.
Journal of personalized medicine
|January 22, 2024
概括
人工智能 (AI) 帮助使用脑电图 (EEG) 和跨磁刺激 (TMS) -EEG进行抑郁症诊断. 机器学习模型实现了高准确度,为抑郁症提供了潜在的客观诊断工具.
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:
- 抑郁症的诊断依赖于主观症状,缺乏客观生物标志物.
- 严重的社会经济负担与抑郁症有关.
- 当前的诊断方法在准确性和客观性方面存在挑战.
研究的目的:
- 为客观抑郁症诊断开发一种人工智能 (AI) 模型.
- 利用脑电图 (EEG) 和跨磁刺激 (TMS) -EEG数据用于AI模型开发.
- 通过探索神经生理学标记来提高诊断准确性.
主要方法:
- 从60名抑郁症患者和60名健康对照中获得休息状态EEG和TMS引起的EEG.
- 应用功率频谱,相同步和相振幅合分析到EEG数据.
- 利用机器学习算法,包括线性差异分析 (LDA),对结合的EEG特征.
主要成果:
- 结合四种EEG模式的AI模型实现了高诊断性能.
- 对组合特征应用的线性差异分析 (LDA) 给出了0.922.2的曲线下的平均面积 (AUC).
- 来自TMS-EEG的神经生理学指数表明了群体之间的显著歧视力.
结论:
- 使用TMS-EEG神经生理指数的AI模型可以在抑郁症诊断中实现高精度.
- 这种方法为临床医生提供了一个有希望的决策支持工具.
- 这项研究强调了客观,数据驱动的抑郁症诊断的潜力.
