使用机器学习算法和功能近红外光谱学 (fNIRS) 在口头流利任务中识别主要抑郁症中的神经成像生物标志物
Lingyun Mao1, Xin Hong2, Maorong Hu2
1Department of Psychology, School of Social and Behavioral Sciences, Nanjing University, Nanjing, China; Department of Psychosomatic Medicine, The First Affiliated Hospital of Nanchang University, Nanchang, China.
Journal of affective disorders
|August 16, 2024
概括
这项研究在口头流利任务 (VFT) 中使用功能近红外光谱 (fNIRS) 识别主要抑郁症 (MDD) 生物标志物. 机器学习有效地将MDD患者与对照者区分开来,为早期查提供了一个客观的工具.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 重度抑郁症 (MDD) 是一种普遍存在的精神疾病,与严重的后果有关.
- 缺乏对MDD症状的客观评估工具.
- 通过fNIRS检测到的认知任务期间异常的额头血动力学反应显示出作为生物标志物的潜力.
研究的目的:
- 开发和验证使用fNIRS进行MDD评估的客观,定量方法.
- 从fNIRS信号中识别独特的时空特征,作为潜在的MDD生物标志物.
- 评估机器学习分类器在区分MDD患者与健康对照中的有效性.
主要方法:
- 在289名MDD患者和178名健康对照的口头流利任务 (VFT) 中收集了fnirs数据.
- 使用数据表示方法从fNIRS信号中提取时空特征.
- 使用渐变增强决策树 (GBDT) 和多层感知子分类器进行预测和特征重要性分析 (Shapley增量解释).
主要成果:
- 使用180个特征的GBDT模型,在区分MDD患者时实现了高分类准确度 (0.829 ± 0.053) 和AUC (0.895).
- 促进MDD识别的关键大脑区域包括前极区域,背侧前额叶皮质和布罗卡区域 (pars triangularis).
- 高灵敏度 (0.914 ± 0.051) 表明该模型在检测MDD病例方面的有效性.
结论:
- 在VFT期间通过fNIRS测量的异常前额活动可以作为MDD的客观生物标志物.
- 这种方法促进了认知缺陷的评估和MDD的早期查.
- 拟议的机器学习模型为使用fNIRS数据的临床医生提供了一个潜在的客观分析工具.
