可解释的机器学习算法的贡献,使用基于ROI的脑表面形态参数来区分早期精神分裂症和双极性障碍
Yesim Saglam1, Cagatay Ermis2, Seyma Takir3
1Department of Child and Adolescent Psychiatry, University of Health Sciences, Bakirkoy Prof Dr Mazhar Osman Research and Training Hospital for Psychiatry, Neurology and Neurosurgery, Istanbul, Turkey.
Academic radiology
|May 4, 2024
概括
机器学习模型可以使用脑成像来区分早期发病的精神分裂症 (EOS) 和早期发病的双相情感障碍 (EBD). 基于表面的形态测量达到高达82.75%的准确性,有助于差异诊断.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 精神病学是一个精神病学.
背景情况:
- 从临床上讲,区分早期出现的精神分裂症 (EOS) 和早期出现的双相情感障碍 (EBD) 是具有挑战性的.
- 在EOS和EBD之间可能存在明显的神经生物学基础.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以区分EOS与EBD.
- 为了利用基于表面的形态测量和大脑体积测量用于诊断分类.
主要方法:
- 分析了高分辨率T1加权的MRI扫描,以检测皮质厚度,化,深度,碎形尺寸和大脑体积.
- 机器学习分类器,包括自适应提升 (AdaBoost),K-最近邻居 (KNN) 和支持矢量机器 (SVM),应用于特征子集和组合数据集.
- 为了特征解释性,使用了夏普利添加式扩展 (SHAP) 技术.
主要成果:
- 通过使用Destrieux地图表的特征,AdaBoost算法实现了最高的82.75%准确度.
- 特定的ML模型显示了单个特征子集的高性能:KNN为分形维度 (79.31%),SVM为深度,AdaBoost为化指数.
- 在Desikan-Killiany-Tourville地图集的整个数据集上,KNN算法显示了最高的准确性 (79.31%).
结论:
- 机器学习模型有效地使用基于表面的形态学来区分EOS和EBD.
- 这种方法有望改善这些早期精神疾病的差异诊断.
- 建议在未来进行多中心研究来验证这些发现.
