应用机器学习和深度学习来从脑MRI预测抑郁症,并识别与抑郁症相关的脑生物学

科学领域:

• 神经成像是一种神经成像.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 大型抑郁障碍 (MDD) 基于大脑的预测指标的准确性仍然是临床神经科学中的一个重大挑战.
• 现有的方法经常难以使用结构性MRI数据实现高诊断性能.

研究的目的:

• 开发和评估机器学习和深度学习模型,使用T1加权MRI的voxel-wise灰色物质结构来预测MDD.
• 评估这些预测因子在独立的英国生物库队列和临床复制队列中的表现.

主要方法:

• 在英国生物库数据 (987个MDD病例,3934个对照) 上训练最好的线性无偏预测器 (BLUP) 和ResNet3D深度学习模型.
• 在独立的英国生物库子队列 (483例MDD,1939对照) 和DEP-ARREST CLIN队列 (64例MDD,32对照) 中使用曲线下的区域 (AUC) 评估预测器准确性.
• 将BLUP预测器的性能与重症抑郁症的多基因得分 (PGS) 进行比较.

主要成果:

• 在英国生物库中,BLUP预测器显示了与MDD状态的适度但显著的关联 (AUC=0.57,p=1.1×10−5).
• 对大脑感兴趣区域 (ROI) 的分析表明,来自海马和杏仁体等区域的贡献,尽管没有达到多重测试校正.
• BLUP预测器捕获了PGS无法解释的独特差异,其AUC组合值为0.66.
• 在多次测试纠正后,深度学习预测器没有显示与MDD的显著关联.
• 估计MDD的形态度为0.061,表明基于灰质结构的预测潜力有限 (最大AUC=0.64).

结论:

• 目前,基于灰质结构的MDD预测器由于准确度不高,其临床实用性有限.
• BLUP方法显示了潜力,捕捉了MDD的遗传和非遗传方面,需要进一步调查.
• 未来的研究应该集中在整合多式联络数据和探索大脑区域的贡献,以改善MDD预测模型.