大型抑郁症的分类使用顶点智能大脑状深度,曲率和厚度与深度和浅度学习模型

科学领域:

• 神经成像是一种神经成像.
• 精神疾病 精神疾病
• 机器学习 机器学习

背景情况:

• 大型抑郁症 (MDD) 影响全球数以百万计的人,关于其与大脑形态变化的联系的争论正在进行中.
• 使用细分皮质特征的现有机器学习方法在区分MDD患者与健康对照 (HC) 的准确性较低.
• 深度学习为诊断生物标志物的神经成像数据中识别复杂模式提供了潜力.

研究的目的:

• 评估深度学习 (DenseNet) 和机器学习 (SVM) 在使用顶点智能皮质特征对MDD患者与HC进行分类时的有效性.
• 调查集成顶点智能特征是否与以前的线性方法相比提高了分类性能.
• 在来自ENIGMA-MDD工作组的大型多站点数据集上评估分类性能.

主要方法:

• 使用了来自ENIGMA-MDD联盟的大型多站点数据集 (N=7012; 2772 MDD, 4240 HC).
• 应用的DenseNet和支持向量机 (SVM) 分类器对顶点wise的皮质形态特征.
• 采用了ComBat协调,以减轻多个站点数据中特定站点的影响.

主要成果:

• 无论是DenseNet (51%) 还是SVM (53%) 分类器在未见的场所进行测试时都实现了近乎偶然的平衡精度.
• 当交叉验证包括所有站点的受试者时,观察到略有改善的性能 (DenseNet:58%,SVM:55%),这表明站点效应.
• 顶点智能形态特征的整合没有产生MDD和HC组之间的显著差异性.

结论:

• 目前的顶点形态特征和非线性分类器 (DenseNet,SVM) 不足以准确分类MDD.
• 该研究表明,使用这种特征和分类器的特定组合来分类MDD目前是不可行的.
• 未来的研究应该探索整合来自其他MRI模式 (如fMRI,DWI) 的信息,以提高诊断性能.