多模态MRI用于客观诊断和预测抑郁症的结果

科学领域:

• 神经成像是一种神经成像.
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 重度抑郁症 (MDD) 诊断严重依赖于主观的临床评估,导致治疗效率低.
• 磁共振成像 (MRI) 的客观生物标志物可以帮助MDD的临床决策.
• 现有的基于MRI的生物标志物通常是单模的,专注于诊断或结果预测,而不是两者兼而有之.

研究的目的:

• 确定基于MRI的多模态预测因子,用于MDD诊断和6个月治疗结果.
• 为了比较MDD诊断和结果预测的单模和多模分类方法.
• 调查基线MRI特征对预测MDD治疗反应的有用性.

主要方法:

• 在基线时从32名MDD患者和31名健康对照 (HC) 获得结构性 (T1加权,T2加权,DTI) 和功能性 (静止状态fMRI) 核磁共振扫描.
• 从基线MRI扫描中提取特征,并根据抑郁症严重程度的变化定义了6个月的结果类 (阴性与阳性).
• 雇员支持矢量机 (SVM) 模型用于MDD与HC (诊断) 的单模和多模分类以及负与正结果.

主要成果:

• 扩散张力成像 (DTI) 特性显示了诊断 (平均扩散率,AUC=0.701) 和结果预测 (流线权重的总和,AUC=0.860) 的最高单模性能.
• 集成T1加权,静止状态fMRI和DTI的多模组合分类器具有显著改善的分类性能,无论是诊断 (AUC=0.746) 还是结果 (AUC=0.932).
• 关键的预测特征被定位在前脑,边缘脑和脑区域,用于诊断与预后模型的不同模式和位置.

结论:

• 结合多种模式的MRI特征,可以提高MDD诊断和治疗结果的预测准确度.
• 对于MDD诊断最有影响力的特征与预测治疗结果的特征相比,在位置和模式上有所不同.
• 这项研究为MDD诊断和结果预测提供了基于MRI的客观生物标志物,因此需要在更大的队列中进一步验证.