基于评估免疫和系统性炎症参数的诊断性精神分裂症生物标志物的识别,使用机器学习建模

科学领域:

• 神经科学是一个神经科学.
• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学

背景情况:

• 系统免疫和脑免疫过程与精神分裂症的发展和进展有关.
• 目前的诊断方法缺乏客观的免疫学标记.
• 机器学习 (ML) 尚未广泛应用于用于精神分裂症诊断的综合免疫学数据.

研究的目的:

• 用ML模型评估免疫学参数在客观诊断精神分裂症中的有用性.
• 识别与精神分裂症相关的特定免疫标记物.
• 通过整合广泛的免疫学数据组来提高分类准确性.

主要方法:

• 在63名精神分裂症患者和36名健康对照中分析了17个免疫学参数 (幽默免疫,细胞因子,炎症标志物).
• 应用各种监督的ML算法,包括后勤回归,SVM,k-NN,天真贝叶斯,决策树和集体方法 (AdaBoost,随机森林,XGBoost).
• 在十倍交叉验证试验集中使用70%的量子值进行特征重要性分析和选择.

主要成果:

• AdaBoost组合模型以0.71±0.15的ROC AUC和0.78±0.11的精度 (ACC) 实现了最佳性能.
• 该模型表现出良好的分类质量 (ROC AUC > 0.70) 和高稳定性 (σ < 0.2) 在区分精神分裂症患者和对照者.
• 关键的免疫学差异化参数包括系统性炎症标志物,幽默免疫激活,促炎细胞因子和Th1/Th2细胞因子.

结论:

• 这项研究首次证明了区分精神分裂症患者与健康志愿者的潜力,准确度超过70%,仅使用免疫参数和ML.
• 这些发现凸显了免疫系统在精神分裂症的发病过程中的重要作用.
• 将全面的免疫学数据集成到ML模型中,有望改善精神分裂症的诊断和理解其潜在机制.