通过功能性MRI脑网络动态来预测抑郁症的客观结果

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.
• 计算神经科学是一种神经科学.

背景情况:

• 在重大抑郁症 (MDD) 治疗中,主观的临床决定往往导致效果不佳.
• 需要客观预测因素来改善MDD的治疗结果.
• 休息状态功能性MRI (fMRI) 提供了识别此类预测因子的潜力.

研究的目的:

• 通过静止状态fMRI识别MDD治疗结果的客观预测因素.
• 评估静态和动态fMRI特征对治疗反应的预测能力.
• 探索组独立组件分析 (GICA) 对网络级特征提取的实用性.

主要方法:

• 在基线时从25名MDD患者获得的静止状态fMRI扫描.
• 在一年内,每3个月对患者进行评估,将结果分为积极或消极.
• 从GICA识别的网络和子网络中提取了静态和动态fMRI特征.
• 利用二进制分类器预测MDD的结果在每次跟进.

主要成果:

• 作为网络互动性的衡量标准,总相干性显示出最高的预测性能 (AUC 0.70).
• 在积极结果组中观察到默认模式网络和腹腔突出网络之间的总一致性增加.
• 仅使用总相干度进行分类,就获得了高AUC (0.76 ± 0.10),这表明它具有强大的区分能力.
• 使用更高的GICA订单实现了最佳分类性能,将主要网络分为子网络.

结论:

• 动态fMRI测量,总的连贯性,证明了对MDD结果的优越分类性能.
• 增强大脑内部和外部状态之间的切换能力是MDD症状改善的潜在预测因素.
• 这些发现支持全面连贯性作为MDD的预后生物标志物的发展.