在阿片类药物使用障碍中使用机器学习分析静止状态fMRI BOLD信号来识别功能性大脑网络
Ahmed Temtam1, Megan A Witherow1, Liangsuo Ma2
1Vision Lab, Dept. of Electrical Engineering, Old Dominion University, Norfolk, VA, USA.
Computers in biology and medicine
|August 21, 2025
概括
机器学习和休息状态fMRI信号的时间频率分析可以将阿片类药物使用障碍 (OUD) 患者与健康对照区分开来. 这种新的方法揭示了OUD诊断的关键大脑网络中的不同神经活动模式.
科学领域:
- 神经科学
- 医学成像
- 机器学习
背景情况:
- 药物使用障碍 (OUD) 的神经生物学对治疗发展至关重要.
- 休息状态功能磁共振成像 (rs-fMRI) 提供了对大脑功能的洞察.
- 传统的rs-fMRI分析可能会忽略时间频率信号特征.
研究的目的:
- 在OUD中应用机器学习 (ML) 来对rs-fMRI BOLD信号进行时间频率分析.
- 研究默认模式网络 (DMN),突出网络 (SN) 和执行控制网络 (ECN) 中的神经活动的区分能力.
- 使用数据驱动的ML技术将OUD与健康对照者区分开来.
主要方法:
- 使用基于ML的时间频率分解分析了rs-fMRI BOLD信号.
- 从31名OUD和45名HC患者的DMN,SN和ECN中提取特征.
- 使用5倍交叉验证和Boruta ML分析来评估分辨力和特征意义.
主要成果:
- 在DMN,SN和ECN中,ML的时间频率分析在区分OUD和HC方面显著超过了机会.
- 平均F1分数在0. 6675 (DMN) 到0. 7090 (SN) 之间.
- 平均AUC在0. 7103 (ECN) 到0. 7603 (SN) 之间,发现了显著的波形细节系数.
结论:
- 与ML结合的rs-fMRI BOLD信号的时间频率分析是OUD研究的强大工具.
- 这种方法揭示了OUD个体在关键功能网络中的局部神经活动的显著差异.
- 这些发现突显了先进的信号处理在改善OUD诊断和理解神经生物学方面的潜力.
