在阿片类药物使用障碍中识别功能性大脑网络 使用机器学习 休息状态fMRI信号的分析 BOLD信号

科学领域:

• 神经科学是一个神经科学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 阿片类药物使用障碍 (OUD) 神经生物学对于开发有效治疗方法至关重要.
• 休息状态功能磁共振成像 (rs-fMRI) 提供了对大脑功能的洞察.
• 传统的rs-fMRI分析可能无法捕捉到OUD中BOLD信号的全部复杂性.

研究的目的:

• 在OUD中应用机器学习 (ML) 来对rs-fMRI BOLD信号进行时间频率分析.
• 使用神经活动模式,将OUD患者与健康对照者 (HC) 区分开来.
• 在OUD中调查功能网络 (DMN,SN,ECN) 的歧视力.

主要方法:

• rs-fMRI BOLD信号使用时间频率 (波形) 分解进行了分析.
• 从默认模式网络 (DMN),突出网络 (SN) 和执行控制网络 (ECN) 中提取特征.
• 使用ML进行了5倍交叉验证分类 (OUD与HC),考虑了人口因素.

主要成果:

• DMN和SN在OUD和HC组之间表现出显著的歧视力 (p <0.05).
• 对于DMN和SN,平均F1分数分别为0.7097和0.7018.
• 对DMN和SN的曲线下的平均面积 (AUC) 值分别为0.8378和0.8755.
• 博鲁塔ML分析发现了所有三个网络的显著时间频率细节系数.

结论:

• 对rs-fMRI BOLD信号的时间频率分析,结合ML,可以有效地区分OUD受试者和HC.
• DMN和SN是关键的功能网络,在OUD中具有很高的歧视潜力.
• 这种方法为了解OUD神经生物学提供了一种新的数据驱动方法,并可能为治疗策略提供信息.