通过整合机器学习和电脑图分析来提高单极和双极抑郁症之间的差异化
Xinyu Liu1, Bingxu Chen2, Haoran Zhang1
1Beijing Key Laboratory of Mental Disorders, National Clinical Research Center for Mental Disorders & National Center for Mental Disorders, Beijing Anding Hospital, Capital Medical University, Beijing, China; Advanced Innovation Center for Human Brain Protection, Capital Medical University, Beijing, China.
Journal of affective disorders
|June 12, 2025
概括
这项研究使用了机器学习和脑电图 (EEG) 数据来区分单极性抑郁症 (UPD) 和双极性抑郁症 (BPD). 完全连接的神经网络实现了76%的准确性,突出了EEG生物标志物,以改善情绪障碍诊断.
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.
- 生物医学工程 生物医学工程
背景情况:
- 区分单极性抑郁症 (UPD) 和双极性抑郁症 (BPD) 是临床上具有挑战性的,影响治疗疗效.
- 电脑电图 (EEG) 为情绪障碍诊断提供了潜在的生物标志物.
- 机器学习和深度学习为分析复杂的临床和神经生理数据提供了新的方法.
研究的目的:
- 开发和评估机器学习和深度学习模型,使用EEG数据和临床特征来区分UPD和BPD.
- 确定能帮助分辨性诊断情绪障碍的关键EEG生物标志物.
- 评估包括神经网络在内的各种模型在分类抑郁症亚型中的性能.
主要方法:
- 对370名被诊断患有UPD或BPD的患者的EEG数据和临床特征的分析.
- 使用Python实现数据预处理和特征提取.
- 通过网格搜索应用5倍和1次遗漏交叉验证来进行模型评估和超参数优化.
- 支持矢量机器,随机森林和深度学习模型 (FCNN,RNN,LSTM,变压器) 的比较.
主要成果:
- 完全连接的神经网络 (FCNN) 模型表现出卓越的性能,达到76%的准确性,80%的灵敏性,73%的特异性和76%的F1得分.
- EEG生物标志物,特别是β频段活动,被确定为区分UPD与BPD的重要指标.
- 这项研究成功地展示了深度学习模型在识别与不同情绪障碍相关的复杂模式方面的能力.
结论:
- 深度学习模型,特别是FCNN,显示出UPD和BPD之间的准确差异诊断的巨大潜力.
- 脑电图 (EEG) 生物标志物,特别是β频段活动,对于改善情绪障碍的诊断精度至关重要.
- 这些发现支持精神病学向数据驱动的诊断方法过渡,增强情绪障碍的精准医学.
