通过多站点功能磁共振成像数据提前发现主要抑郁症的早期发现:人工智能模型的比较分析

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 重度抑郁症 (MDD) 是一种普遍存在的心理健康问题,具有重大的公共健康后果.
• 目前的MDD诊断依赖于主观评估,往往导致延迟或错误.
• 神经成像和机器学习 (ML) 提供了客观和准确的MDD早期检测的潜力.

研究的目的:

• 开发和验证使用多站点功能磁共振成像 (fMRI) 数据用于早期MDD检测的ML模型.
• 为了比较不同ML模型的性能.
• 评估这些模型对于早期MDD检测的临床适用性.

主要方法:

• 在三个公共数据集中利用了1200名参与者的fMRI数据 (600名早期MDD,600名对照).
• 使用5倍交叉验证训练和评估了四个ML模型 (SVM,随机森林,GBM,DNN).
• 使用精度,灵敏度,特异性,F1得分和AUC评估模型性能;使用SHAP和激活最大化进行解释.

主要成果:

• 深度神经网络 (DNN) 模型实现了89%的准确性和0.95 AUC,明显优于传统方法.
• 关键预测因素包括前额叶皮质,前带皮质和边缘区域的功能连接性改变.
• 该DNN模型在2年后的随访期间预测MDD发展时显示了78%的灵敏度,并证明了跨数据集的概括性.

结论:

• 使用fMRI的人工智能驱动的方法显示出早期MDD检测和干预的巨大潜力.
• 这些人工智能工具应该增强,而不是取代临床判断.
• 伦理考虑,包括患者隐私和模型偏见,需要仔细注意.