使用深度学习来预测青年的内化问题
Marlee M Vandewouw1,2, Bilal Syed3, Noah Barnett4
1Autism Research Centre, Bloorview Research Institute, Holland Bloorview Kids Rehabilitation Hospital, Toronto, ON, Canada. mvandewouw@hollandbloorview.ca.
Translational psychiatry
|August 29, 2025
概括
使用大脑结构的深度学习模型成功预测了焦虑和抑郁等内化问题. 这些模型对识别生物标志物,特别是在神经发育条件有希望.
科学领域:
- 神经科学
- 发展心理学
- 机器学习
背景情况:
- 内部问题,如焦虑和抑郁, 与负面的结果有关.
- 预测因素是已知的, 但内化问题的生物标记仍然不清楚.
- 神经发育 (ND) 的情况经常与内化问题同时发生.
研究的目的:
- 使用深度学习来识别复杂的大脑行为关系.
- 预测内化问题的横截面和纵向轨迹.
- 探索大脑结构作为内化问题的潜在生物标志物.
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.
- 模型预测了临床上显著的内化问题 (N=14,523) 和纵向轨迹的恶化 (N=10,540).
- 使用分层交叉验证和AUC评估分析了四个大规模数据集 (ABCD,HBN,HCP- D,ONPN) 的数据.
主要成果:
- 截面模型的AUC值为0.80,表明了良好的预测性能.
- 纵向模型在一般人群中表现不佳 (AUC=0. 66),但在外部试验组中表现良好 (AUC=0. 80) 和所有ND条件 (AUC=0. 73).
结论:
- 结合大脑结构的深度学习模型显示了内部化问题的潜在生物标志物.
- 这些生物标志物对患有神经发育疾病的个体可能特别有价值.
- 需要进一步的研究来完善这些模型的临床应用.
