面向精神健康研究中的协作数据科学:ECNP神经成像网络可访问的数据库

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 目前的精神病学分类缺乏生物学依据,阻碍了诊断和治疗.
• 神经成像和机器学习提供了潜在的解决方案,但需要大量,多样化的数据集.
• 欧洲神经心理药理学院的神经成像网络可访问数据库 (ECNP-NNADR) 成立,以满足这一需求.

研究的目的:

• 引入ECNP-NNADR,一个新的多站点,多模式,跨诊断数据库.
• 通过概念验证机器学习分析来证明存储库的实用性.
• 为了促进精神病神经成像的合作研究.

主要方法:

• 在ECNP-NNADR中,从4829名参与者收集了21个队列和11个精神病诊断的数据.
• 数据包括人口统计,临床信息,症状调查问卷和多图谱灰色物质体积ROI.
• 两个概念验证分析: (1) 精神分裂症与健康对照分类, (2) 规范性年龄预测和对精神分裂症的应用.

主要成果:

• 精神分裂症分类达到71.13%的最大平衡精度.
• 在健康对照组中,规范年龄预测模型显示平均绝对误差 (MAE) 为6.95年 (R^2=0.77),概括为一个被遗弃的样本 (MAE=7.16年).
• 在精神分裂症患者中,该模型的MAE为7.79年 (R^2=0.79),表明大脑衰老加速 (BrainAGE差距为4.49±8.90年).

结论:

• 该ECNP-NNADR是推进精神病神经成像研究的宝贵资源.
• 应用于本库的机器学习模型可以帮助诊断和理解精神疾病中的大脑发育/衰老.
• 本资源支持开发更多可通用和有效的基于成像的机器学习应用程序在精神病学.