基于thalamo-somatomotor功能连接的可概括分层预测了抑郁症患者对抗抑郁药物的反应

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 机器学习

背景情况:

• 大型抑郁症 (MDD) 诊断缺乏客观的生物测试,导致基于症状的评估和假设的各种神经生物学基础.
• 使用生物标志物将MDD患者分为生物学同质的亚型,可以实现个性化的精准医学.
• 之前试图使用静止状态功能连接 (rs-FC) 进行MDD分层和治疗反应预测,但遇到了可重现性和通用性的挑战.

研究的目的:

• 使用休息状态功能连接 (rs-FC) 数据进行无监督学习,开发主要抑郁症 (MDD) 的可泛化的分层生物标志物.
• 确定一种稳定和可重复的生物标志物,能够将MDD患者分为不同治疗反应的亚型.
• 为了克服MDD之前的神经成像生物标志物研究中过度拟合和概括性问题的局限性.

主要方法:

• 在一个大型的,多站点的,多疾病的fMRI数据库上使用了层次化的监督-无监督学习策略.
• 应用无监督学习在MDD之前的诊断生物标志物研究中发现的最高排名的rs-FC子集.
• 使用两个独立的多站点数据集验证的分层生物标志物,以确保可概括性和稳定性.

主要成果:

• 成功构建了MDD亚型的可概括的分层生物标志物.
• 鉴定了一种基于rs-FCs的稳定生物标志物,该生物标志物位于泰拉马斯和后中心环之间.
• 证明由这个生物标志物分层的MDD亚型对选择性血清素再吸收抑制剂的治疗反应显著不同.

结论:

• 已经确定了MDD的可泛化分层生物标志物,该生物标志物基于thalamus-postcentral gyrus rs-FC.
• 这种生物标志物显示出将MDD患者分为具有不同的治疗结果的亚型,特别是对于SSRI反应的潜在分层.
• 通过缩小特征尺寸,开发的方法成功地避免了过拟合,并提高了生物标志物的通用性,为个性化MDD治疗铺平了道路.