在中国医学学生中使用机器学习算法识别抑郁症,具有眼睛跟踪,视觉唤起潜力和听觉P300

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 精神病学是一个精神病学.

背景情况:

• 目前的抑郁症评估依赖于主观的心理尺度.
• 对于使用多种神经生理学测量来对抑郁症进行分类的研究有限.
• 机器学习 (ML) 提供了客观抑郁症诊断的潜力.

研究的目的:

• 采用整合眼睛跟踪,视觉唤起潜力 (VEP) 和听觉P300的ML算法来对中国医学学生进行抑郁症分类.
• 研究神经生理特征与抑郁症严重程度 (PHQ-9分数) 之间的关系.
• 确定抑郁症最重要的神经生理学预测因素.

主要方法:

• 招募了66名患有抑郁症的学生和72名对照学生.
• 收集了眼睛跟踪,VEP和听觉P300数据.
• 使用多变量逻辑回归,六个ML分类器 (包括随机森林) 和SHapley添加式扩展 (SHAP) 进行分析和特征重要性.
• 使用ROC曲线,AUC,精度,准确性,回忆和F1得分进行评估模型性能,并进行五倍交叉验证.

主要成果:

• 抑郁症组在VEP中显示出较低的响应搜索得分和延长的P100延迟.
• 两组之间没有发现听觉P300特征的显著差异.
• 随机森林分类器实现了卓越的性能; 结合眼睛跟踪和VEP功能超过了单一模式.
• SHAP分析发现右眼P100延迟是最重要的预测特征.

结论:

• 中国医学学生的抑郁症与注意力和视觉处理受损有关,由减少的搜索得分和延长的P100延迟率表明.
• 结合眼睛跟踪和VEP数据,可以提高抑郁症分类的准确性.
• 右眼的P100延迟作为抑郁症检测的关键神经生理标志物出现.