使用深度学习来预测青少年从大脑结构内部化的问题

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:

• 内化问题,如焦虑和抑郁,与不良结果有关.
• 对内部化问题的生物标记仍然不太了解.
• 神经发育 (ND) 条件经常与内化问题同时发生.

研究的目的:

• 利用深度学习来利用大脑结构数据预测内化问题.
• 评估模型预测横截面内化问题的能力.
• 评估模型预测内部化问题的纵向恶化轨迹的能力.

主要方法:

• 使用大脑结构测量 (厚度,表面积,体积) 开发了深度学习模型.
• 在四个大规模数据集 (ABCD,HBN,HCP-D,ONPN) 上训练和测试模型.
• 通过分层交叉验证,使用接收操作特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• 横截面模型实现了0.80的AUC,用于预测内部化问题.
• 纵向模型在一般人群中显示出低于最佳的性能 (AUC=0.66).
• 纵向模型在神经发育条件的外部测试集 (AUC=0.80) 和所有ND条件 (AUC=0.73) 中表现良好.

结论:

• 利用大脑结构特征的深度学习显示出作为内化问题的生物标志物的潜力.
• 这种方法对于识别神经发育人口中风险较高的个体尤其有希望.
• 需要进一步的研究来完善这些预测模型的临床应用.