在临床人群中使用功能近红外光谱的诊断机器学习应用:一篇回顾

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 精神病学是一个精神病学.

背景情况:

• 由于缺乏临床疾病的客观生物标志物,因此需要先进的诊断工具.
• 功能近红外光谱学 (fNIRS) 提供了一种非侵入性方法来测量大脑活动.
• 机器学习 (ML) 技术可以分析复杂的神经成像数据进行诊断分类.

研究的目的:

• 通过使用fNIRS在精神疾病中的数据,审查和分析诊断ML应用的当前研究环境.
• 识别趋势,流行的方法和该领域的关键发现.
• 评估fNIRS-ML在开发客观生物标志物的潜力.

主要方法:

• 对结合fNIRS和ML用于精神疾病诊断的研究进行系统的文献搜索.
• 根据样本大小,使用的特征,ML算法和报告的准确性,评估了45项选定的研究.
• 分析研究出版的趋势,研究的流行精神疾病和常见的分析方法.

主要成果:

• 自2010年以来,fNIRS数据用于生物标志物研究的ML应用在fNIRS数据上的显著增加趋势.
• 精神分裂症,多动症和自闭症是最常被研究的精神疾病.
• 支持矢量机 (SVM) 和深度学习 (DL) 是最常见的ML分类器;样本大小和准确性之间存在负相关性.

结论:

• 将ML应用于fNIRS数据,为发现特定的客观生物标志物用于诊断精神疾病提供了一个有希望的途径.
• 氧-血红蛋白 (ΔHbO) 度变化,特别是平均 ΔHbO 和功能连接,是经常使用的特征.
• 用更大的样本大小进行进一步的研究可能会提高fNIRS-ML方法的诊断准确性和临床实用性.