通过多式脑成像预测青春期早期的抑郁风险

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 在青春期,抑郁症的风险增加,家庭病史显著增加了儿童的风险.
• 早期识别有风险的青春期前儿童对于及时干预和预防策略至关重要.

研究的目的:

• 应用先进的机器学习来预测在两年后续的青春期前儿童的抑郁风险.
• 为了确定神经成像特征,最好预测风险青年未来的抑郁症.

主要方法:

• 使用了来自青少年大脑认知发展 (ABCD) 研究的大型纵向样本 (N=2658).
• 采用多模式神经成像数据 (结构性MRI,扩散张力成像,任务和休息fMRI) 和机器学习.
• 实施了严格的离开一个站点的交叉验证,以评估预测的准确性.

主要成果:

• 所有的大脑特征在预测抑郁风险方面表现明显优于机会.
• 休息状态功能性MRI (fMRI) 特性显示出优异的分类性能,特别是在具有父母抑郁史的高风险组 (N=625) 中.
• 休息fMRI的功能连接体特征显示出比单个大脑区域的测量更好的预测.

结论:

• 神经成像,特别是休息状态的功能连接,在青春期早期识别抑郁风险的生物标志物方面具有显著的潜力.
• 大脑连接体内的相互作用元素对于捕捉个体精神病理变异性至关重要.
• 这项研究在基于人口的样本中提升了对抑郁症早期生物风险的识别.