机器学习使用多种模式的脑磁共振成像数据来识别双相情感障碍的存在
Lubin R Deng1, Gail I S Harmata2, Ercole John Barsotti3
1Carver College of Medicine, University of Iowa, Iowa City, IA, USA.
Journal of affective disorders
|September 15, 2024
概括
机器学习模型使用联合脑成像数据准确地识别了双相情感障碍 (BD). 然而,这种诊断方法对新数据集的概括性有限,凸显了对标准化成像协议的需求.
科学领域:
- 神经科学是一个神经科学.
- 精神疾病 精神疾病
- 机器学习应用 机器学习应用
背景情况:
- 双极性障碍 (BD) 诊断仅依赖于临床症状,这些症状与其他精神疾病重叠.
- 目前用于使用脑成像进行BD预测的机器学习 (ML) 模型受到单模数据的限制,并且经常排除小脑.
- 小脑在BD中的潜在作用需要将其纳入基于神经成像的诊断模型.
研究的目的:
- 通过整合多式脑成像数据来提高双相情感障碍 (BD) 的ML分类准确性.
- 调查结合结构,功能和扩散权重成像用于BD检测的实用性.
- 评估基于ML的BD分类模型对独立数据集的通用性.
主要方法:
- 一组108名患有双极性I型疾病 (BD I) 的个人和78名对照人接受了结构性,功能性和扩散权重的MRI.
- 单独的ML模型被训练为每个成像模式,和他们的预测被结合使用多数投票的最终分类.
- 模型性能在持有测试集和独立的复制样本上进行了评估,以评估可概括性.
主要成果:
- 组合的ML模型在BD I与初级数据集中的对照进行分类时实现了89.5%的准确性.
- 功能重要性分析强调小脑和情绪控制网络对于分类至关重要.
- 在独立复制样本上,模型性能显著下降,表明概括性差.
结论:
- 多模式神经成像数据,包括小脑,可以在单个位置的小样本中高准确地识别BD I.
- 目前BD的ML模型对外部数据集的概括性有限,可能是由于成像协议的变化.
- 未来的研究应该集中在协调成像协议上,以提高基于ML的BD诊断工具的临床实用性和通用性.
