使用功能性MRI数据检测主要抑郁症的神经网络模型.
Nojod M Alotaibi1, Areej M Alhothali1, Manar S Ali1
1Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia.
Frontiers in computational neuroscience
|June 24, 2025
概括
这项研究引入了一种新的集合图形神经网络 (GNN) 模型,使用功能性MRI数据来改善主要抑郁症 (MDD) 检测. 该模型对MDD的准确和可泛化的诊断有希望.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 大型抑郁症 (MDD) 是导致残疾的主要原因,通常通过主观症状诊断,忽视复杂的病理生理学.
- 目前对MDD的诊断方法缺乏客观的测量,突出显示需要先进的技术来理解其大脑网络障碍的性质.
- 神经成像,特别是休息状态功能性MRI (rs-fMRI),对于调查MDD中的大脑变化至关重要.
研究的目的:
- 开发基于集体的图形神经网络 (GNN) 模型,以使用rs-fMRI数据增强检测主要抑郁障碍 (MDD).
- 利用多图表功能连接功能来捕捉大脑的复杂性并提高MDD的诊断准确性.
- 在一个大型的多站点MDD数据集上验证模型的概括性和可靠性.
主要方法:
- 利用休息状态功能磁共振成像 (rs-fMRI) 数据从一个被诊断为MDD的大型多站点队列.
- 开发了一个集体图形神经网络 (GNN) 模型,集成来自多个大脑区域细分图集的功能连接.
- 应用合成少数群体过量采样技术 (SMOTE) 用于类不平衡,并用于绩效评估的分层十倍交叉验证.
主要成果:
- 拟议的多地图集GNN模型在检测MDD时达到75.80%的高精度.
- 关键性能指标包括灵敏度为88.89%,特异性为61.84%,精度为71.29%,F1得分为79.12%.
- 与单个地图模型相比,整体方法在捕捉MDD诊断的歧视性特征方面表现出更好的表现.
结论:
- 开发的整体GNN模型提供了一种可靠和可泛化的方法,用于从rs-fMRI数据中准确检测MDD.
- 这项研究强调了深度学习技术,特别是GNN在推进心理健康障碍的客观诊断方面的潜力.
- 整合多地图的功能连接性提高了模型识别MDD特征复杂大脑网络变化的能力.
