使用机器学习来确定奖励响应的功能分类器及其与青少年精神病症状学的关联

科学领域:

• 神经科学是一个神经科学.
• 青少年精神病学 青少年精神病学
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 分类器在区分患者组时面临可靠性问题.
• 另一种ML方法是开发功能分类器 (超平面) 来评估神经反应完整性.
• 这项研究区分了在典型发育 (TD) 青少年中奖励与惩罚的神经反应.

研究的目的:

• 在TD青少年中开发一种功能分类器,区分奖励与惩罚的神经反应.
• 为了评估这个奖励反应的功能完整性,在青少年与外部化和内部化条件.
• 在精神疾病中,将奖励反应完整性与症状集群联系起来.

主要方法:

• 支持矢量机器 (SVM) 算法应用于TD青少年的训练样本 (N=65).
• 两个测试组:独立的TD青少年 (N=39) 和患有精神病诊断的青少年 (MDD,GAD,ADHD,CD;N=195).
• 评估奖励反应距离超平面及其与症状严重程度的关联.

主要成果:

• SVM确定了一个超平面 (准确度=80.77%) 涉及神经区域,如核 accumbens (奖励) 和前部 insula (惩罚).
• 与TD样本相比,外化诊断的青少年显示出明显较少的规范性和更缺陷的奖励反应.
• 缺乏奖励反应与行为障碍 (CD),主要抑郁障碍 (MDD) 和注意力缺陷/多动症障碍 (ADHD) 的症状升高相关.

结论:

• 在TD青少年中,基于ML的奖励与惩罚反应的区别揭示了CD和ADHD患者的显著干扰.
• 奖励反应与CD,MDD和ADHD的症状严重程度有关.
• 功能分类器为了解青少年精神障碍中的神经反应完整性提供了一个有希望的途径.