转录和神经成像数据的整合增强了机器学习对精神分裂症的分类

科学领域:

• 神经科学是一个神经科学.
• 遗传学 是一个遗传学.
• 机器学习 机器学习

背景情况:

• 精神分裂症是一种复杂的多基因疾病,影响大脑结构和功能.
• 将宏观大脑特征与微观遗传数据相结合,可以全面了解精神分裂症病因.
• 这种整合可能会产生精神分裂症的潜在诊断标志物.

研究的目的:

• 系统地评估融合多尺度神经成像和转录组数据用于精神分裂症分类的有效性.
• 评估机器学习模型的性能,使用集成的多omics数据来诊断精神分裂症.

主要方法:

• 收集了来自43名精神分裂症患者和60名健康对照者的脑部成像和血液RNA测序数据.
• 提取了包括宏观大脑形态,结构/功能连接和精神分裂症风险基因基因的基因转录在内的多omics特征.
• 应用了机器学习整合框架,用于使用传统方法和神经网络进行多尺度数据融合和患者分类.

主要成果:

• 传统机器学习模型中的多omics数据融合实现了高精度 (AUC 0.76-0.92),表现比单模式模型高8.88-22.64%.
• 使用神经网络的多模式分类模型显示,与单模式平均值相比,准确度增加了16.57% (71.43%).
• 确定了关键的大脑区域,包括左后带状带状带和右前极,对于疾病分类至关重要.

结论:

• 通过综合成像和遗传数据,为改善精神分裂症分类准确性提供经验证据.
• 多尺度数据融合显示了提高精神分裂症诊断精度的巨大潜力.
• 这种方法可以促进早期检测和个性化治疗策略对于精神分裂症患者.