利用规范性人格数据和机器学习来检查大脑结构与强迫性人格障碍特征的相关性

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.
• 机器学习 机器学习

背景情况:

• 由于评估数据有限,痴迷强迫性人格障碍 (OCPD) 的大脑结构相关性不明.
• 之前的研究缺乏建立可靠的OCPD与神经成像发现之间的联系的能力.

研究的目的:

• 调查机器学习 (ML) 是否可以从人格数据中估计OCPD分数.
• 确定ML预测的OCPD得分是否与大脑结构指数 (皮层厚度,表面积,皮层下体积) 有关.

主要方法:

• 利用弹性净回归,梯度提升机,支持矢量回归来预测OCPD分数从个性项目.
• 在老年人和大学生中,评估了ML预测的OCPD得分和神经成像数据 (皮层厚度,表面积,皮层下体积) 之间的关联.
• 采用单变量和多变量分析来研究关系.

主要成果:

• ML弹性净回归从个性项目中最好预测的OCPD分数 (FFOCI-SF),性能在各年龄组中概括.
• 所有五因素模型的人格特征都对预测的OCPD得分有所贡献,认真和开放度是最有影响力的.
• 在大学生中,预测的OCPD得分与右上额头皮层厚度之间发现了积极的关联.

结论:

• 所有五因素模型特征都与不适应的OCPD特征有关.
• 增加右上额头皮层厚度是OCPD的潜在神经生物学相关物.
• 机器学习是估计神经成像数据集中精神病理现象型的一个有价值的工具,尽管它可能无法克服小效果大小的局限性.