机器学习方法用于使用生物和神经心理标志物对主要抑郁症进行分类:元分析

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 医疗信息学 医疗信息学

背景情况:

• 传统的大型抑郁症 (MDD) 诊断依赖于主观评估,这可能会影响准确性.
• 机器学习 (ML) 为客观和有效的MDD分类提供了一个有希望的替代方案.
• 客观的诊断工具对于减少心理健康错误诊断率至关重要.

研究的目的:

• 进行元分析,评估ML模型对MDD的整体分类准确性.
• 调查影响ML模型性能的因素,包括算法,生物标志物和参与者人口统计.
• 评估ML在区分MDD与健康对照和其他精神疾病方面的潜力.

主要方法:

• 系统的文献搜索和从包括60,926名参与者在内的176项研究中提取数据.
• 应用随机效应模型来汇总分类性能指标.
• 在各种神经成像模式 (EEG,MEG,fMRI) 中对不同ML算法 (例如,CNN,SVM,GNN) 的比较分析.

主要成果:

• 分析显示,MDD诊断中的ML模型的整体分类准确度为0.825 (95% CI [0.810; 0.839]).
• 卷积神经网络 (CNN) 以EEG/MEG数据的性能优于支持矢量机器 (SVM).
• 与GNN和高斯过程分类相比,SVM与fMRI数据显示出优异的性能.
• 较小的样本大小与分类准确性有负相关性,并检测到出版偏差.

结论:

• ML模型显示了准确的MDD分类的巨大潜力,超过了传统的主观诊断方法.
• 特定的ML算法根据所使用的生物标记数据 (例如,EEG,fMRI) 显示不同的性能.
• 需要进一步的研究和验证,才能将这些发现转化为MDD诊断的广泛临床实践.