使用MRI和机器学习诊断精神分裂症及其亚型

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 精神病学是一个精神病学.

背景情况:

• 精神分裂症表现出神经生物学的异质性,使治疗复杂化,并导致可变的反应.
• 目前对精神分裂症的诊断和治疗方法受到其潜在神经生物学不完全理解的限制.

研究的目的:

• 通过磁共振成像 (MRI) 和机器学习 (ML) 算法提高精神分裂症及其亚型的分类.
• 调查基于ML的神经成像分析的潜力,以识别与精神分裂症相关的大脑异常和认知障碍.

主要方法:

• 利用来自公共数据集 (N=100) 和较小的国内数据集 (N=13) 的结构性和静止状态fMRI数据.
• 从MRI数据中提取了区域大脑体积,皮质厚度和基于图形的网络测量.
• 应用的ML算法,包括k-近邻和支向量机,具有特征选择技术 (MRMR) 进行分类和亚型歧视.

主要成果:

• 在区分精神分裂症患者与健康对照群的过程中,通过12个特征的k-最近邻居实现了79%的准确性.
• 在国内数据集上验证模型,准确率为72%.
• 在62个特征上使用线性SVM,以64%的准确度分类精神分裂症亚型.
• 确定了大脑网络特征与认知表现之间的显著相关性.

结论:

• MRI和ML算法在改善精神分裂症诊断方面表现出显著的实用性.
• 这些方法对检测精神分裂症中神经生物学异常和相关认知缺陷有希望.
• 这些发现支持将先进的神经成像和计算技术纳入精神病学研究和临床实践.