在神经精神病学研究中从同质到异质机器学习的过渡

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 机器学习 机器学习

背景情况:

• 基于神经成像的机器学习 (ML) 模型对于在神经精神病学研究中研究大脑行为关系非常有价值.
• 当前的ML方法往往无法考虑人口异质性,限制了在心理健康护理中的临床适用性.
• 同质的ML模型无法捕捉生物因素和精神病理学之间的复杂,异质的关联.

研究的目的:

• 在神经成像研究中审查解决人口异质性的计算研究.
• 倡导转向分析关系级别异质性的转变,超越简单的大脑亚型或行为表型.
• 突出 ML 模型能够识别环境和社会人口统计学因素如何调节大脑行为映射.

主要方法:

• 审查现有的机器学习模型,可以适应人口异质性.
• 专注于分析外部因素 (环境,社会人口统计学) 对大脑行为关系的缓解影响的模型.
• 探索数据驱动的方法来识别个性化的大脑行为关联.

主要成果:

• 确定了当前ML研究中关于自然样本异质性的适应方面的差距.
• 提出异质的ML模型可以捕捉生物学,行为和外部因素之间的复杂相互作用.
• 突出了能够识别对大脑行为映射中适度影响的特定ML模型.

结论:

• 超越单模ML分析,在神经成像研究中采用异质模型至关重要.
• 异质的ML模型为发现个性化的大脑行为关联提供了一个有希望的途径.
• 推进精确精神病学需要计算方法来解释关系级别的异质性.