整合多层次,多领域和多模式的神经成像因素来预测早期的酒精暴露轨迹,使用可解释的AI

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.
• 机器学习在健康中的应用

背景情况:

• 关于酒精使用障碍 (AUD) 和过度饮酒的先前研究经常检查有限的因素和横截面数据.
• 纵向的酒精使用轨迹和多层次,多领域因素的相互作用仍未得到充分探索.
• 包括大脑结构和功能连接在内的神经生物学变化也存在,但需要进行全面的纵向分析.

研究的目的:

• 用机器学习前性地预测早期的饮酒轨迹.
• 识别与青年不同饮酒模式相关的多层次,多领域因素和神经生物学特征.
• 探索人口,态度和神经生物学因素之间的相互作用,以预测增加饮酒量.

主要方法:

• 将机器学习应用于来自青少年大脑认知发展研究的综合数据集.
• 利用多式脑成像功能 (结构和功能连接),以及个人,家庭和环境数据.
• 分析了纵向数据,以区分增长,实验和非酒精饮酒轨迹.

主要成果:

• 确定了特定的功能连接特征和多层次因素,区分了越来越多的与实验性饮酒者.
• 发现结构性和功能性大脑特征预测了持续饮酒者和非实验者之间的差异.
• 揭示了年龄,社会经济地位和积极的饮酒态度之间的相互作用,预测了增加的饮酒量.

结论:

• 机器学习有效地预测了青年人饮酒的不同轨迹.
• 神经生物学,个人,家庭和环境因素的结合影响了早期的酒精使用模式.
• 这些发现可以为预防问题性酒精使用和AUD发展提供有针对性的干预措施.