通过3D卷积神经网络和休息状态fMRI的交叉样本缩分析预测晚年抑郁症的自杀倾向
Chemin Lin1,2,3, Chih-Mao Huang4, Wei Chang5
1Department of Psychiatry, Keelung Chang Gung Memorial Hospital, Keelung, Taiwan.
Brain and behavior
|February 20, 2024
概括
深度学习模型通过分析大脑活动,准确地识别了患有抑郁症的老年人的自杀倾向. 特定的大脑区域,包括右桃体和左尾状桃体,是自杀风险的关键预测因素.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 老年学是一门学科.
背景情况:
- 在老年人中预测自杀是具有挑战性的.
- 晚年抑郁症 (LLD) 是自杀的重要危险因素.
- 机器学习为预测诸如自杀之类的复杂行为提供了潜力.
研究的目的:
- 应用深度学习算法来识别LLD患者的自杀倾向.
- 通过使用休息状态的功能性MRI来研究LLD中自杀性的神经生物学相关性.
- 利用交叉样本 (CSE) 和3D卷积神经网络 (CNN) 来预测自杀风险.
主要方法:
- 招募了83名LLD患者 (35名非自杀,48名自杀).
- 利用休息状态功能性MRI和CSE分析来检查大脑信号的复杂性.
- 采用3D CNNs进行分类,在经过六次交叉验证后,在大脑区域中平均准确度.
主要成果:
- 确定了大脑区域,在预测自杀倾向方面准确率高于75%,主要是在默认模式,前额头-双肩和腰带-眼皮网络中.
- 右桃体和左尾骨表现出最可靠的预测准确性.
- 这些区域突显了神经生物学在晚年自杀中的重要性.
结论:
- 综合CSE分析和3D CNN有效地确定了与LLD中自杀倾向相关的大脑区域.
- 这些发现表明,特定的神经网络和区域对于理解和预测老年人自杀至关重要.
- 这种方法有望开发用于自杀风险评估的客观生物标志物.
