使用残留否定自编码框架对重复性主要抑郁症的分类:从大规模多站点fMRI数据的洞察力
Peishan Dai1, Yun Shi1, Da Lu1
1School of Computer Science and Engineering, Central South University, Changsha, Hunan 410083, China.
Computer methods and programs in biomedicine
|March 6, 2024
概括
这项研究引入了一个深度学习框架,使用fMRI数据对复发性主要抑郁症 (rMDD) 进行分类. 小说"残留退化自编码器" (Res-DAE) 在识别大脑活动模式以改善诊断方面表现有前途.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 复发性主要抑郁症 (rMDD) 的特点是复发率高和症状恶化.
- 通过功能磁共振成像 (fMRI) 了解大脑活动对于rMDD的诊断和治疗至关重要.
研究的目的:
- 开发和评估一个深度学习框架,使用fMRI数据对rMDD进行分类.
- 为了增强对与rMDD相关的大脑活动改变的理解.
主要方法:
- 从fMRI数据中使用功能连接 (FC) 特性开发了一个残留脱离自编码器 (Res-DAE) 框架.
- 使用战斗协调解决了现场异质性,并使用费舍尔分数进行了特征选择.
- 通过合成少数人过量采样技术 (SMOTE) 的数据增强和残余模块的集成提高了分类准确性.
主要成果:
- 在多站点fMRI数据集上,Res-DAE框架在交叉验证中实现了75.1%的准确性 (189名rMDD患者,427名对照).
- 性能超过了对比方法,灵敏度为69%,特异性为77.8%.
- 在一个更大的数据集上获得了70%的准确性,包括首发抑郁症.
结论:
- 一个新的深度学习框架有效地对rMDD进行分类,并识别了改变的功能连接.
- 这项研究提供了对rMDD中大脑功能变化的见解,可能有助于诊断和治疗策略.
