多特征融合RFE随机森林用于精神分裂症分类和治疗反应预测

科学领域:

• 神经成像是一种神经成像.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 精神分裂症 (SZ) 的分类和治疗反应预测具有临床意义.
• 有限的研究已经利用多特征静止状态功能磁共振成像 (rs-fMRI) 进行短期SZ治疗分类和响应预测.

研究的目的:

• 开发和验证用于SZ分类的多特征融合递归特征消除随机森林 (RFE-RF) 方法.
• 使用rs-fMRI衍生的生物标志物预测SZ患者的短期药物治疗反应.
• 为了确定神经成像生物标志物用于SZ分类和治疗反应.

主要方法:

• 计算了多个rs-fMRI特征,包括区域均性,低频波动的分数振幅和功能连接.
• 使用RFE-RF进行SZ分类,并确定神经成像生物标志物.
• 利用积极和消极症状量表 (PANSS) 的得分减少率 (RR) 来预测治疗反应.

主要成果:

• 获得高分类准确度 (91.7%),灵敏度 (90.9%) 和特异性 (92.6%) 的SZ.
• 识别了视觉和默认模式网络中的异常,作为区分SZ与健康对照 (HC) 的生物标志物.
• 八周后总,负和阳性PANSS分数的预测治疗反应,突出特定网络异常作为关键生物标志物.

结论:

• RFE-RF方法有效地对SZ进行分类,并使用多功能rs-fMRI数据预测治疗反应.
• 视觉,默认模式和感觉运动网络的异常,以及右上额头,作为SZ及其治疗反应的潜在神经成像生物标志物.
• 结果提供了对短期SZ治疗的神经机制的见解,并建议个性化干预的潜在目标.