使用基于机器学习算法的大脑形态的男性精神分裂症患者的识别
Tao Yu1, Wen-Zhi Pei2, Chun-Yuan Xu1
1Department of Clinical Nutrition, Hefei Fourth People's Hospital, Hefei 230032, Anhui Province, China.
World journal of psychiatry
|July 10, 2024
概括
大脑成像和机器学习可以帮助在男性中发现早期精神分裂症. 随机森林模型实现了88.6%的准确性,改善了这种严重的精神疾病的诊断.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 精神病诊断 精神病诊断 精神病诊断
背景情况:
- 精神分裂症是一种严重的精神疾病,患病率很高.
- 早期诊断精神分裂症仍然是一个重大的临床挑战.
研究的目的:
- 使用大脑形态特征,区分精神分裂症男性与健康对照者的区别.
- 评估机器学习算法的有效性,用于早期诊断精神分裂症.
主要方法:
- 分析了结构磁共振成像 (MRI) 数据.
- 使用最少绝对收缩和选择操作员 (LASSO) 和t测试进行了特征选择.
- 使用一般线性模型,随机森林 (RF),k-最近邻居和支持向量机算法开发了分类模型.
主要成果:
- 确定了八个重要的大脑形态特征.
- 随机森林模型表现出卓越的性能,在接收器操作特征曲线 (AUC) 下的面积为0.886.
- 这表明,在将精神分裂症男性患者与健康对照患者区分开来时,其准确度很高.
结论:
- 大脑形态特征对于改善男性患者精神分裂症的早期诊断非常有价值.
- 机器学习,特别是随机森林算法,显示出对客观精神分裂症诊断的希望.


