基于深度学习的PTSD诊断使用3D-CNN和静止状态fMRI数据
Mirza Naveed Shahzad1, Haider Ali1
1Department of Statistics, University of Gujrat, Gujrat, Pakistan.
Psychiatry research. Neuroimaging
|June 22, 2024
概括
准确检测创伤后应激障碍 (PTSD) 是至关重要的. 使用静止状态fMRI数据的3D-CNN模型在PTSD患者的分类中取得了高准确性,超过了其他机器学习方法.
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:
- 在全球范围内,创伤后应激障碍 (PTSD) 的发生率正在上升.
- 准确的PTSD检测对于患者的治疗至关重要.
- 这项研究旨在区分患有PTSD的人与健康对照的人.
研究的目的:
- 将患有创伤后应激障碍 (PTSD) 的个人与健康对照进行分类.
- 评估各种机器学习技术对PTSD分类的有效性.
- 为了确定参与PTSD的关键大脑区域.
主要方法:
- 分析了来自19名PTSD患者和24名健康对照者的休息状态功能性MRI (rs-fMRI) 数据.
- 组级独立组件分析 (ICA) 和t测试确定了大脑激活模式.
- 六种机器学习方法,包括3D-CNN,用于分类.
主要成果:
- 杏仁体和胰岛素在PTSD受试者中显示出最高的激活.
- 使用ICA组件的初始机器学习模型的准确性很低.
- 3D-CNN模型实现了高分类准确度 (98.12%的培训,98.25%的验证,98.00%的测试).
结论:
- 3D-CNN模型显著优于其他六种用于PTSD分类的机器学习技术.
- 这种深度学习方法为准确的PTSD患者识别提供了有希望的工具.
