功能性大脑网络的拓性质在识别主要抑郁症障碍时的有效性

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.
• 网络科学 网络科学

背景情况:

• 重度抑郁症 (MDD) 是一种普遍存在的精神健康状况,与认知障碍相关.
• 基本的MDD病理生理学,特别是关于大脑网络的改变,需要进一步研究.

研究的目的:

• 评估大脑网络拓性质 (TPs) 在区分患有MDD的个体与健康对照者的有效性.
• 为了确定在MDD中表现出改变TP的特定大脑区域.
• 探索TP作为MDD检测生物标志物的潜力.

主要方法:

• 功能连接 (FC) 网络是使用静止状态功能磁共振成像 (rs-fMRI) 数据构建的.
• 采用两个样本的t测试和接收器运行特征 (ROC) 分析来识别有歧视性的TP.
• 支持矢量机 (SVM) 和最小绝对收缩和选择操作员 (LASSO) 用于特征选择和分类.
• 使用沙普利增量解释 (SHAP) 来解释区域TP变化.

主要成果:

• 虽然整体小世界性没有显著差异,但ROC分析显示,在重建的MDD患者的FC网络中,小世界性减少了.
• 在特定的大脑区域,局部效率 (Le) 和聚类系数 (Cp) 显示出显著的区分能力 (AUC > 0.67).
• 使用 LASSO 选择的 TP 的 SVM 模型在识别 MDD 患者时,平均准确率约为 62%.
• SHAP分析表明,在MDD的默认模式网络中,TP变化占主导地位.

结论:

• 大脑网络的拓性质,特别是特定区域的局部效率和聚类系数,可以作为识别MDD的有效指标.
• 这些发现强调了节点TP的潜力,作为深度学习模型的宝贵输入,以了解MDD病理生理学.
• 默认模式网络似乎是参与MDD.观察到的拓变化的关键网络.