基于机器学习的精神分裂症,主要抑郁症和双相情感障碍的差异诊断,使用结构磁共振成像
Peiyu Cao1, Runda Li2, Yuting Li3
1Department of Psychiatry, the Affiliated Brain Hospital of Nanjing Medical University, China.
Journal of affective disorders
|April 26, 2025
概括
使用结构性MRI的机器学习模型显示出区分精神分裂症,严重抑郁症和双相情感障碍的前景. 特定的皮质特征可以作为这些条件的客观生物标志物.
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.
- 计算神经科学是一种神经科学.
背景情况:
- 在精神分裂症 (SCZ),主要抑郁症 (MDD) 和双相情感障碍 (BD) 中观察到皮层形态变异.
- 这些变异作为差异诊断的客观生物标志物的有用性尚未确定.
- 机器学习 (ML) 为开发新型诊断工具提供了一个潜在的途径.
研究的目的:
- 调查结构性MRI (sMRI) 衍生的皮质特征作为区分SCZ,MDD和BD的客观生物标志物的潜力.
- 开发和评估用于分类这些精神疾病的ML模型.
主要方法:
- 从220名SCZ患者,220名MDD患者,220名BD患者和220名健康对照患者获得的sMRI数据.
- 使用FreeSurfer抽取了68个区域的皮质体积,厚度,表面积和平均曲率.
- 应用特征选择技术并训练了三个ML分类器来区分这些疾病.
主要成果:
- 性能最好的模型 (单变特征选择的原始贝叶斯模型) 实现了0.66准确度和0.86宏观平均AUC.
- 关键的区分特征包括皮质厚度和带带叶和叶的面积.
- 模型的灵敏度和特异性分别在0.58-0.86和0.81-0.93之间.
结论:
- 使用sMRI数据的ML模型显示了协助SCZ,MDD和BD差异诊断的潜力.
- 特定的皮质特征,特别是来自带膜叶和叶,可能表明不同的病理生理机制.
- 需要进一步的研究来验证这些发现,并完善诊断工具.
