使用结构和功能MRI数据在蜘蛛恐惧症中的暴露治疗结果的个体级预测:一项机器学习研究

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 机器学习在预测心理治疗结果方面表现有前途,但在使用临床数据时,它在适度准确性方面扎.
• 神经成像数据有可能预测治疗反应,但之前的研究是以小样本大小进行探索的.

研究的目的:

• 评估神经成像数据与心理治疗结果的临床和人口统计数据相比的附加预测价值.
• 用多式机器学习方法预测蜘蛛恐惧症患者虚拟现实暴露治疗的治疗结果.

主要方法:

• 在双中心样本中利用了来自190名蜘蛛恐惧症患者的预治疗结构和功能MRI数据.
• 采用两级整体机器学习策略,使用八个1级分类器和一个2级分类器.
• 评估了各种数据模式的预测准确性,包括临床得分,社会人口统计学和多个fMRI衍生的指标.

主要成果:

• 没有一级或二级分类器超过了机会性能,除了BOLD信号变异 (1级平衡精度=0.63).
• 神经成像数据并没有比单独的临床和社会人口统计数据更准确地预测蜘蛛恐惧症的治疗.
• BOLD信号变异表明大脑广泛区域的潜在预测贡献.

结论:

• 在这项研究中,神经成像数据没有提高对蜘蛛恐惧症心理治疗结果的预测.
• 研究结果表明,在从小型单位神经成像研究中解释预测性能时,需要谨慎.
• 需要更大的多模式数据集来验证神经成像预测器对焦虑症治疗反应的预测.