通过将症状严重程度纳入深度学习并使用神经解剖学图像在精神分裂症第一发作中改进患者识别
Wenjing Zhang1,2,3, Lituan Wang4, Xusha Wu5
1Department of Radiology, and Functional and Molecular Imaging Key Laboratory of Sichuan Province, West China Hospital, Sichuan University, Chengdu, China.
概括
这项研究开发了一种使用MRI扫描的新型深度学习模型,以准确识别精神分裂症患者并预测疾病严重程度. 该模型结合了临床症状,在急性病例中显示出高诊断价值.
科学领域:
- 神经成像是一种神经成像.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 精神分裂症中的大脑变化尚未完全理解,这阻碍了对急性精神病的机械洞察力.
- 将成像生物标志物与症状表现联系起来,对于理解精神分裂症至关重要.
- 整合MRI和临床数据可以提高诊断模型的有效性.
研究的目的:
- 开发和验证一种多任务深度学习模型,用于使用解剖MRI诊断精神分裂症和症状严重程度回归.
- 将未处理的MRI数据与传统形态测量技术 (VBM,SBM) 的性能进行比较.
- 为了确定大脑区域对于精神分裂症的识别和症状严重程度的预测至关重要.
主要方法:
- 一个多任务的深度学习模型被训练在解剖学MRI数据从未使用过药物,第一次发作的精神分裂症患者和健康的对照.
- 该模型包括病例/对照识别和精神病症状严重程度回归.
- 使用未经处理的图像,VBM和SBM来评估性能,并对独立数据集进行验证.
主要成果:
- 使用未经处理的MRI图像的模型表现优于VBM和SBM,在区分精神分裂症患者和对照者方面达到83.0%的平衡精度.
- 与缺乏临床症状数据的单项任务分类模型相比,多任务模型表现出更高的性能.
- 体,体,中前皮层和小脑区域是模型准确性的关键贡献者.
结论:
- 基于MRI的深度学习模型整合了临床症状严重程度,显示了急性精神分裂症患者的高诊断价值.
- 未处理的解剖MRI数据对于精神分裂症的模式识别是有效的.
- 这种方法为诊断和理解精神分裂症提供了临床相关的工具.
