带有注意力机制的图形卷积网络可以根据血生物标志物和神经成像数据改善主要抑郁症的抑郁症诊断
Chaonan Jiang1, Bo Lin2, Xinyi Ye1
1Department of Psychiatry, the First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou 310003, China; The Key Laboratory of Mental Disorder Management in Zhejiang Province, Hangzhou 310003, China.
Journal of affective disorders
|June 2, 2024
概括
一个新的机器学习模型使用血液生物标志物和神经成像准确诊断主要抑郁症 (MDD). 与传统方法相比,这种方法显示出更高的性能,为临床使用提供了潜力.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 大型抑郁症 (MDD) 诊断缺乏客观的生物标志物和标准化的协议.
- 与健康对照组 (HC) 相比,MDD与血蛋白水平和神经成像发现的可检测异常有关.
- 现有的机器学习方法用于精神病诊断,难以可靠地整合多模式数据.
研究的目的:
- 通过整合多模式数据来开发和验证用于诊断MDD的新型算法.
- 用血型生物标志物和神经成像来评估拟议算法的诊断性能.
- 将新型算法的性能与传统的机器学习方法进行比较.
主要方法:
- 开发了一个新的算法,集成图形神经网络和注意力模块,用于MDD诊断.
- 分析包括100名MDD患者和100名HC患者的血液样本,以及46名MDD患者和49名HC患者的MRI扫描.
- 模型性能通过三倍交叉验证使用准确度和F1分数进行评估,并与九种传统算法进行比较.
主要成果:
- 这种新的算法实现了高诊断性能,F1得分为0.9436和94.08%的准确性.
- 神经成像数据的整合进一步提高了算法的性能,达到0.9543的F1得分和95.06%的准确性.
- 与HC相比,在MDD患者中观察到血蛋白水平和灰质体积的显著变化.
结论:
- 与传统算法相比,开发的机器学习模型证明了MDD的优越诊断性能.
- 多模式数据的整合,包括血液生物标志物和神经成像,显著提高了诊断准确度.
- 该算法显示了未来将其纳入MDD常规临床诊断的有希望的潜力.
