对机器学习算法的性能进行比较,用于交换任务的功能磁共振成像数据,以区分注意力缺陷多动障碍和双相情感障碍

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:

• 双极性障碍 (BD) 和注意力缺陷多动性障碍 (ADHD) 分享重叠的症状,使差异诊断复杂化.
• 目前的诊断方法缺乏确切的测试,需要先进的分析方法.

研究的目的:

• 准确诊断和区分患有BD和ADHD的患者.
• 利用功能磁共振成像 (fMRI) 数据与机器学习算法来提高诊断准确度.

主要方法:

• 从49名BD患者和40名ADHD患者的fMRI数据使用切换任务进行了分析.
• 使用CONN工具箱进行了注意力电路的图形理论分析.
• 基因算法 (GA) 选择了有效的特征,并使用了具有各种内核的支持矢量机 (SVM) 来进行分类.

主要成果:

• 通过GA确定了57个有效的特征,在特征选择中实现了99.78%的准确性.
• 使用混合内核的SVM模型显示出最高的性能:92.1%的准确性,92.6%的灵敏性,97.3%的特异性和0.931的AUC.

结论:

• 开发的SVM模型与混合内核是有效的诊断ADHD从BD.
• 这种机器学习方法对临床诊断和精神病学干预有前途.