基于机器学习的特征选择,以使用全脑白质微观结构识别注意力缺陷多动症:一项纵向研究
Huey-Ling Chiang1, Chi-Shin Wu2, Chang-Le Chen3
1Department of Psychiatry, Far Eastern Memorial Hospital, New Taipei City, Taiwan; Department of Psychiatry, National Taiwan University Hospital and College of Medicine, Taipei, Taiwan.
Asian journal of psychiatry
|May 31, 2024
概括
机器学习确定了区分注意力缺陷/多动障碍 (ADHD) 的关键白质微观结构特征. 特定脑道的发育变化对于ADHD的识别至关重要,并且可能与认知能力的改善相关.
科学领域:
- 神经成像是一种神经成像.
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
背景情况:
- 注意缺陷/多动症 (ADHD) 诊断依赖于行为症状,缺乏客观生物标志物.
- 白质微观结构的改变与ADHD病理生理学有关.
研究的目的:
- 使用机器学习识别独特的白质微观结构特征,使ADHD与典型的发展控制 (TDC) 有区别.
- 评估在ADHD中基线和纵向白质变化的诊断价值.
主要方法:
- 扩散光谱成像 (DSI) 在两个时间点对51名ADHD患者和60名TDC患者进行.
- 评估了三种机器学习模型:基线特征,组合时间点和包括变化速率在内的特征.
- 采用随机森林算法进行分类.
主要成果:
- 结合纵向变化和基线特征的模型实现了最高的分类性能 (AUC = 0.73).
- 关键的区别特征包括每年变化的相对速率,如上纵和前端插入管道.
- 某些区域更快的变化率与视觉注意力和记忆功能的改善有关.
结论:
- 白质微观结构及其发育轨迹为ADHD提供了重要的诊断价值.
- 这些发现突出了神经成像生物标志物的潜力,用于客观地识别ADHD并了解发育偏差.
