基于近红外光谱的功能性近红外光谱计算机辅助诊断主要抑郁症使用卷积神经网络与新通道嵌入层考虑前额头血动力学反应的半球间不对称性
Kyeonggu Lee1, Jinuk Kwon1, Minyoung Chun1
1Department of Electronic Engineering, Hanyang University, Seoul, Republic of Korea.
Depression and anxiety
|April 14, 2025
概括
使用功能近红外光谱学 (fNIRS) 的新型深度学习模型准确地选主要抑郁症 (MDD). 这种基于fNIRS的计算机辅助诊断 (CAD) 系统在将MDD患者与健康对照区分开来时显示出高准确度.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 功能近红外谱学 (fNIRS) 为大抑郁症 (MDD) 查提供了一种便携,具有成本效益的方法.
- fNIRS对运动工件的低敏感性使其适合临床应用.
- 基于fNIRS的MDD计算机辅助诊断 (CAD) 的深度学习方法仍未得到充分探索.
研究的目的:
- 开发和评估一个新的深度学习框架,用于基于fNIRS的MDD的CAD.
- 通过使用fNIRS数据,在区分MDD患者与健康对照患者方面实现高准确性.
- 调查卷积神经网络 (CNN) 架构对此诊断任务的有效性.
主要方法:
- 在Stroop任务中利用了48名MDD患者和68名健康对照 (HC) 的fNIRS数据.
- 采用集体CNN架构与1D深度智能卷积层来捕捉半球间不对称性.
- 在绩效评估中应用了一个"离开一个科目"的交叉验证策略.
主要成果:
- 拟议的CNN模型实现了准确率为84.48%,灵敏度为83.33%,特异性为85.29%.
- 超越了传统的机器学习算法,包括收缩线性分辨器分析 (73.28%) 和规范化的支向量机 (74.14%).
- 与其他CNN模型,如EEGNet (62.93%) 和ShallowConvNet (62.07%) 相比,表现出更高的性能.
结论:
- 新的深度学习模型显著提高了基于fNIRS的MDDCAD的准确性.
- 这些发现支持了这种方法在开发MDD先进诊断系统方面的潜力.
- 开发的CNN框架有效地利用fNIRS数据来区分MDD患者和HC患者.
