相关实验视频
Updated: May 27, 2025
05:33
Three-Dimensional Shape Modeling and Analysis of Brain Structures
Published on: November 14, 2019
7.0K
大型抑郁症的分类使用顶端智能大脑层深度,曲率和厚度与深度和浅层学习模型
Roberto Goya-Maldonado1, Tracy Erwin-Grabner1, Ling-Li Zeng2,3
1Laboratory of Systems Neuroscience and Imaging in Psychiatry (SNIP-Lab), Department of Psychiatry and Psychotherapy, University Medical Center Göttingen (UMG), Georg-August University, Göttingen, Germany.
ArXiv
|February 20, 2025
概括
深度学习模型和SVM未能将主要抑郁症 (MDD) 患者与使用脑成像数据的健康对照区分开来. 目前的神经成像特征和分类器对于可靠的MDD诊断是不够的.
科学领域:
- 神经成像是一种神经成像.
- 精神疾病 精神疾病
- 机器学习 机器学习
背景情况:
- 大型抑郁症 (MDD) 影响全球数以百万计的人,关于大脑形态联系的争论仍在进行中.
- 以前的机器学习尝试使用细分的皮质特征进行MDD分类,其准确性较低.
- 深度学习为MDD生物标志物的神经成像数据中识别复杂模式提供了潜力.
研究的目的:
- 评估深度学习 (DenseNet) 和支持矢量机 (SVM) 分类器在区分MDD患者与健康对照 (HC) 的有效性.
- 测试整合顶点智能的皮质特征提高了分类性能的假设.
- 分析一个大型的,多个站点的数据集,以确保可概括的结果.
主要方法:
- 利用了来自ENIGMA-MDD工作组的大型多站点数据集 (N=7,012;2,772 MDD,4,240 HC).
- 应用DenseNet和SVM分类器到顶点智能的皮质特征.
- 使用ComBat协调来解决多站点数据效应.
主要成果:
- 在未见的网站上测试时,DenseNet (51%) 和SVM (53%) 均显示出近乎偶然的平衡精度.
- 当交叉验证包括所有站点的受试者时,观察到略有改善的性能 (DenseNet: 58%,SVM: 55%),这表明站点效应.
- 顶点智能形态特征的整合没有产生有效的MDD分类.
结论:
- 目前的顶点形态特征和非线性分类器不足以区分MDD和HC.
- 使用测试的特征和分类器组合进行MDD分类目前是不可行的.
- 未来的研究应该探索整合来自其他MRI模式 (fMRI,DWI) 的信息,以提高诊断性能.
