从MRI上皮质结构预测抗抑郁药治疗反应:ENIGMA-MDD工作组的一项大型分析
Maarten G Poirot1,2,3, Daphne E Boucherie1,3, Matthan W A Caan2,4
1Amsterdam UMC, Department of Radiology and Nuclear Medicine, University of Amsterdam, Amsterdam, the Netherlands.
Human brain mapping
|January 6, 2025
概括
仅使用脑成像来预测主要抑郁障碍 (MDD) 的抗抑郁药物治疗反应并没有成功. 然而,机器学习模型在确定特定患者子组的响应模式方面表现有希望,特别是极端响应者或非响应者.
科学领域:
- 神经成像是一种神经成像.
- 计算精神病学是一种计算精神病学.
- 药物基因组学 药物基因组学
背景情况:
- 大型抑郁症 (MDD) 治疗反应预测具有挑战性,通常涉及漫长的试错.
- 个性化治疗选择可以显著改善患者的治疗结果,并降低医疗保健成本.
- 来自结构性MRI的皮质形态学提供了治疗反应的潜在生物标志物.
研究的目的:
- 用皮质形态测量来评估机器学习模型,以预测个人抗抑郁药物治疗反应.
- 为了比较各种机器学习管道配置,以获得预测准确度.
- 在特定患者亚群中探索预测性表现,并包含皮质下数据.
主要方法:
- 利用了来自ENIGMA-MDD联盟 (n=262) 的综合纵向数据.
- 采用了机器学习分类器 (梯度增强,SVM,神经网络) 与多种数据表示 (区域平均值,voxel-wise,投影).
- 调查了各种交叉验证策略 (k-fold, leave-one-site-out) 和包括临床/亚皮层数据.
主要成果:
- 对抗抑郁药物反应的整体预测准确度并不明显优于机会 (平衡准确率为50.5%).
- 没有机器学习管道配置显示出优越的性能.
- 在极端 (非) 响应者亚群中,探索性分析显示了显著的预测 (平衡精度为63.9%).
结论:
- 皮层结构MRI数据本身不足以可靠地预测MDD中的个人抗抑郁药治疗反应.
- 预测模型显示了在特定MDD亚群中识别响应模式的潜力.
- 未来的研究应该探索多模式数据集成,以改善治疗反应预测.
