一个比较的机器学习研究,从功能连接中得出的精神分裂症生物标志物

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.
• 机器学习 机器学习

背景情况:

• 功能连接性是精神分裂症的一个有前途的生物标志物.
• 高维度和小样本大小有风险过拟合预测模型.
• 提出了像皮层梯度这样的低维连接体表示,但它们对精神分裂症的预测能力尚不清楚.

研究的目的:

• 为了评估哪些连接特征功能连接,梯度或梯度分散最好识别精神分裂症.
• 为了比较这些不同特征类型的预测能力.

主要方法:

• 利用了来自3个数据集 (COBRE,LA5c,SRPBS-1600) 的936个人的休息状态功能性MRI数据.
• 开发了一个计算管道来评估超过一百万个特征.
• 根据排列重要性选择了前1%的特征,并使用10倍交叉验证训练了13个分类器.

主要成果:

• 在识别精神分裂症方面,原始的功能连接性显著优于低维衍生物 (皮质梯度和梯度分散).
• 连接主要感官区域的边缘表现出最高的分类性能.
• 主要感官区域内的功能连接显示了精神分裂症患者和对照人群之间的优越歧视.

结论:

• 原始功能连接性是精神分裂症的更有效的生物标志物,而不是其低维衍生物.
• 主要感官区域的连接对于区分精神分裂症至关重要.
• 拟议的特征选择管道可以帮助未来研究精神分裂症亚型和跨诊断现象.