通过多站点的rs-fMRI数据来识别主要抑郁症的随机步行式节点特征学习

科学领域:

• 神经科学
• 精神病学
• 机器学习

背景情况:

• 大型抑郁症是一种广泛的疾病,影响生活质量,增加自杀风险.
• 准确的MDD识别对于有效的临床诊断和治疗至关重要.
• 目前的方法往往忽略功能性大脑网络中的感兴趣区域 (ROI) 特性,并使用有限的数据集,阻碍了概括性.

研究的目的:

• 开发和验证基于图形嵌入的新型特征选择分类框架 (GEF-FSC) 来识别MDD.
• 利用多部位静止状态功能磁共振成像 (rs-fMRI) 数据进行强大的MDD检测.
• 探索功能大脑网络中更高层次结构信息的实用性,以提高诊断准确性.

主要方法:

• 利用node2vec算法来学习大脑网络中的ROI的本地和全球功能连接 (FC) 特性.
• 使用灵活的随机步行来捕获功能大脑网络中的结构信息.
• 应用随机森林用于特征选择,并使用多站点 rs-fMRI 数据进行MDD分类.

主要成果:

• 在REST-meta-MDD数据集中,GEF-FSC框架实现了高分类准确率:81.65% (Dosenbach模板) 和75.30% (AAL地图).
• 与八种基准方法和六种最先进的分类器相比,在准确性,灵敏性,特异性和F1分数方面表现出优异.
• 解释性分析确定了与MDD相关的关键大脑区域和网络,与现有研究一致.

结论:

• GEF-FSC框架有效地使用多站点 rs-fMRI 数据对MDD进行分类.
• 这项研究强调了功能性大脑网络中更高层次的结构信息对于提高诊断准确性的重要性.
• 确定的大脑区域和网络为MDD的神经生物学基础提供了洞察力.