机器学习技术在使用MRI神经成像数据的PTSD诊断方法中的应用:系统性审查
Y L Jia1,2, B N Yang1,2, Y H Yang1,2
1Department of Radiology and Nuclear Medicine, Xuanwu Hospital, Capital Medical University, 100053, China.
Heliyon
|April 4, 2024
概括
机器学习 (ML) 与神经成像相结合,通过识别大脑差异,准确诊断创伤后应激障碍 (PTSD). 这种方法提供了一个非侵入性的工具,用于早期PTSD检测和查处于危险的个体.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算精神病学是一种计算精神病学.
背景情况:
- 创伤后应激障碍 (PTSD) 诊断目前依赖于主观的临床症状和心理尺度.
- 对于PTSD的客观诊断生物标志物在临床实践和研究中仍然是一个重大挑战.
- 像fMRI,sMRI和DTI这样的神经成像技术为PTSD生物标志物发现提供了对大脑功能,结构和连接的多视角见解.
研究的目的:
- 系统地审查机器学习 (ML) 方法的诊断准确性,使用神经成像数据来区分PTSD患者与受创伤暴露的健康对照 (TEHC) 和健康对照 (HC).
- 评估ML在识别与PTSD相关的神经生物学差异方面的有效性.
主要方法:
- 按照PRISMA指南进行了系统审查.
- 在PubMed,Embase和Web of Science进行了对ML和PTSD研究的搜索,直到2023年6月.
- 包括的研究报告了ML模型在分类PTSD,TEHC和HC组时的灵敏度,特异性和准确性.
主要成果:
- 所有的ML技术都显示出诊断准确率超过70%.
- 支持矢量机 (SVM) 是最常用的ML技术.
- 在关键的大脑区域中发现了显著的神经生物学差异,特别是涉及胰岛和杏仁体连接,区分PTSD与TEHC和HC组.
- 与PTSD患者相比,暴露于创伤的健康对照 (TEHC) 显示出更正常的脑连接模式.
结论:
- 机器学习技术,当与神经成像数据集成时,为支持早期PTSD诊断提供了一种有效的非侵入性方法.
- 这种方法可以帮助早期识别和检测PTSD患者.
- ML为高风险人群的早期查提供了一个有价值的工具.
更多相关视频
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.1K
07:12Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
Published on: August 2, 2021
3.5K
