中心性近邻预测距离回归 (C-NPDR) 功能选择基于相关性的预测因子,适用于主要抑郁障碍的静止状态fMRI研究

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 生物信息学是一种生物信息学.

背景情况:

• 最近邻预测距离回归 (NPDR) 是一种机器学习算法,用于使用样本距离和可变差异进行特征选择.
• 休息状态功能性MRI (rs-fMRI) 数据涉及有趣的大脑区域 (ROI) 的时间序列,通常转化为ROI对之间的相关性.
• 识别个人ROI的重要性对于复杂的结果预测至关重要,而不仅仅是显著的ROI对.

研究的目的:

• 在rs-fMRI数据中的基于相关性特征计算个人ROI重要性时扩展NPDR.
• 引入新的基于相关差异和中心性的NPDR方法.
• 开发一种新的模拟方法,使用随机网络理论生成人工相关数据.

主要方法:

• 开发了基于相关差异和中心性的NPDR版本.
• 集成的以中心性为基础的NPDR,采用各种中心性方法和重要性得分 (例如随机森林).
• 创建了一个基于随机网络理论的模拟方法,用于生成具有可控变化的人工相关数据.

主要成果:

• 扩展的NPDR方法成功地从基于关联的特征计算出个人ROI的重要性.
• 基于中心性的NPDR通过与不同的中心性指标和重要性得分进行整合,展示了灵活性.
• 新的模拟方法有效地生成了人工相关数据来评估特征选择性能.

结论:

• 该研究确定了特定的大脑区域,包括中圈,下圈和背腔内皮层,对主要抑郁症 (MDD) 有最强的网络效应.
• 开发的特征选择和模拟方法适用于其他科学领域,使用基于相关性的特征.
• 新的中心性NPDR方法为rs-fMRI研究中的个人ROI贡献提供了有价值的见解.