一个混者控制的机器学习方法:使用静止状态功能网络连接的精神分裂症和阿尔茨海默病的组分析和分类

科学领域:

• 神经科学是一个神经科学.
• 放射学 放射学是一门学科.
• 精神病学是一个精神病学.

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 对于研究神经退行性和精神疾病,如阿尔茨海默病 (AD) 和精神分裂症 (SZ) 是至关重要的.
• 使用rs-fMRI直接比较AD和SZ患者组可以揭示共享和独特的神经生物学标记,但因年龄和扫描协议等混而复杂.
• 识别AD和SZ之间的功能网络连接 (rs-FNC) 的共同点和差异对于生物标志物发现和理解疾病重叠至关重要.

研究的目的:

• 为了比较和对比阿尔茨海默病,精神分裂症 (SZ) 和认知正常 (CN) 患者之间的rs-FNC.
• 确定潜在的共享和独特的rs-FNC生物标志物用于AD和SZ.
• 评估机器学习和深度学习模型在基于rs-FNC的诊断组分类中的有效性.

主要方法:

• 分析了来自162名AD/LMCI患者,181名SZ患者和315名CN受试者的rs-fMRI数据.
• 使用机器学习 (SVM,逻辑回归,随机森林,k-NN) 和深度学习 (完全连接的神经网络) 来计算和分析混控制的rs-FNC.
• 对象被分为二进制 (AD与SZ) 和三类 (AD,SZ,CN) 的类别.

主要成果:

• 在各种网络对中观察到AD和SZ之间rs-FNC的显著差异 (例如,亚皮层-小脑,亚皮层-认知控制在AD;亚皮层-视觉,小脑-视觉在SZ).
• 在AD和SZ之间发现了共同的功能异常,这表明了共同的潜在神经生物学机制或遗传因素.
• 对AD与SZ (默认模式,视觉,皮下网络最具预测性) 的分类准确率达到85%,对AD,SZ,CN (皮下领域最具预测性) 的分类准确率达到68%.
• 男性的预测准确性通常高于女性,除了AD与SZ分类.

结论:

• rs-FNC模式可以区分AD和SZ,同时也突出了共同的异常.
• 机器学习和深度学习模型显示了基于大脑连接的神经和精神疾病分类的前景.
• 这些发现有助于理解AD和SZ的神经生物学基础和潜在的诊断生物标志物.