一个可推广的规范性深度自编码器用于大脑形态异常检测:在外部验证框架中应用到双相情感障碍的多站点StratiBip数据集
Inês Won Sampaio1, Emma Tassi2, Marcella Bellani3
1Department of Electronics, Information and Bioengineering, Politecnico di Milano, Milan, Italy.
Artificial intelligence in medicine
|January 21, 2025
概括
研究人员开发了一种新的AI框架来分析双相情感障碍 (BD) 中的大脑形态. 这种方法在BD患者中确定了明显的脑部偏差模式,为个性化精神病治疗铺平了道路.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 人工智能的人工智能
背景情况:
- 精神疾病表现出显著的异质性,使寻找特定的神经生物学标志物的搜索变得复杂.
- 当前的研究往往缺乏疾病分层,阻碍了个性化治疗方法.
- 双极性障碍 (BD) 由于其异质性质, presents一个复杂的挑战.
研究的目的:
- 提出一个可概括的多变量规范建模框架来表征大脑形态.
- 应用这个框架来确定双相情感障碍 (BD) 中的神经生物学差异.
- 在精神病学中推进患者分层和临床决策支持系统.
主要方法:
- 在异常检测框架内使用深度自动编码器.
- 整合了一个新的混移除步骤与培训和外部验证.
- 在人类结合体项目 (HCP) 的健康控制 (HC) 数据上训练了模型,并将其应用于多个站点的HC和BD数据.
主要成果:
- 大脑偏差得分显著更高,更异质,在BD组与HC组相比,BD组的极端值增加.
- 主要偏离的大脑区域包括基底,海马和相邻区域.
- 个别的大脑偏差图显示,BD中异常发生率增加,但与HC相比,空间重叠较低.
结论:
- 开发的可通用框架成功地在主体和群体层面上确定了独特的脑部偏差模式.
- 这种方法代表了精神病学个性化医学的重要一步.
- 这些发现支持了在精神病学研究中改善患者分层和临床决策支持的潜力.
