使用有效的基于连接的预测建模来预测多站点rs-fMRI数据的MDD规模得分

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 医疗成像医学成像

背景情况:

• 重度抑郁症 (MDD) 是一种严重的精神疾病,影响全球数百万人.
• 准确量化MDD症状严重程度对于有效治疗至关重要.
• 目前的方法往往缺乏细粒度,以捕捉MDD中大脑网络功能障碍的复杂性.

研究的目的:

• 使用机器学习开发一个MDD症状严重程度的预测模型.
• 从静止状态功能磁共振成像 (rs-fMRI) 数据中获得的有效连接 (EC) 的利用.
• 将EC的预测能力与传统的功能连接 (FC) 方法进行比较.

主要方法:

• 利用了来自REST-meta-MDD数据集的大规模rs-fMRI数据和汉密尔顿抑郁评分表 (HAMD) 的得分.
• 使用格兰杰因果分析和象征性路径系数计算大脑EC特征.
• 构建和评估机器学习模型,包括支持向量回归,以预测HAMD分数.

主要成果:

• 多森巴赫大脑图谱在测试的图谱中产生了最好的预测性能.
• 基于EC的模型在预测HAMD得分方面显著优于FC模型 (r=0.81,p<0.001).
• 支持向量回归在机器学习模型中表现出卓越的性能.

结论:

• 大脑网络EC特征有效预测MDD患者的HAMD得分.
• 已识别的EC网络作为MDD症状严重程度的潜在生物标志物.
• 这种方法为早期MDD诊断和个性化干预提供了临床上重要的见解.