В недавнем исследовании, опубликованном в журнале «Молекулярная психиатрия», исследователи выполнили магнитно-резонансную томографию структурного типа (сМРТ), чтобы разработать классификатор машинного обучения и различать нейроанатомические закономерности между здоровыми людьми (HC) и теми, у кого развивается психотическое заболевание (CHR-PS+).
Исследование: Использование структурной нейровизуализации головного мозга для прогнозирования начала психоза у людей из группы высокого клинического риска. Изображение предоставлено: Nomad_Soul/Shutterstock.com
Фон
Структурная МРТ используется для диагностики заболеваний, хотя ее способность определять психоз неясна. Парадигма клинического высокого риска (CHR) помогает в ранней диагностике и профилактике психотических расстройств.
Лица с клинически высоким риском с большей вероятностью заболеют психозом, чем здоровые люди из контрольной группы; однако у большинства из них переход не происходит или симптомы уменьшаются.
Статус CHR коррелирует с изменениями в анатомии головного мозга, включая объем серого вещества, площадь поверхности коры и толщину коры. Результаты поперечной МРТ показывают, что у пациентов в CHR была более низкая КТ.
Об исследовании
В настоящем исследовании ученые создали модель машинного обучения, чтобы отличать людей с CHR-PS+ от HC.
Они также исследовали, может ли модель дифференцировать пациентов с CHR-PS+ от людей, у которых не было признаков психоза (CHR-PS-) или людей с неизвестным статусом при последующем наблюдении (CHR-UNK).
Исследователи собрали T1-взвешенные изображения мозга sMRI у 1029 HC и 1165 людей с CHR в 21 офисе рабочей группы ENIGMA CHR для психозов. Они использовали атлас Десикан-Киллиани и систему оценки качества ENIGMA для извлечения структурных данных из 153 представляющих интерес объектов.
Они определили клинический статус высокого риска с помощью структурированного интервью по поводу продромальных синдромов (SIPS) и комплексной оценки психических состояний группы риска (CAARMS).
Команда использовала инструменты ComBat для стандартизации измерений толщины коры, площади поверхности и подкоркового объема.
Они использовали измерения площади поверхности коры, толщины коры, внутричерепного объема и подкоркового объема для прогнозирования потенциальной конверсии психоза. В качестве переменных они включали возраст, пол, процедуру и побочные эффекты.
Исследователи применили обобщенные аддитивные модели (GAM) к данным HC, получили нелинейные характеристики sMRI с поправкой на возраст и биологический пол и регрессировали эффекты внутричерепного объема.
Они создали классификатор XGBoost, который использует данные CHR-PS+ и HC для обнаружения аберраций в нейроанатомических моделях развития. Они оценили прогнозирующую способность модели, используя оставшиеся данные об объекте.
Исследователи оценили эффективность модели в два этапа, разделив информацию на наборы обучающей, тестовой, независимой группы и независимо-подтверждающей информации.
Они провели внешнюю проверку с использованием наборов тестовой и независимой подтверждающей информации, тогда как набор данных независимой группы идентифицировал людей со статусом CHR-UNK и CHR-PS- во всех местах.
Команда обучила окончательную модель классификатора, используя оптимальные гиперпараметры и данные обучения, и оценила прогностическую способность классификатора машинного обучения по данным независимых групп.
Они выполнили четыре сравнения кривых решения и оценили классификатор по четырем различным наборам функций: толщине коры, площади поверхности, только подкорковым объемам и всем характеристикам.
Они использовали модель, демонстрирующую наилучшие показатели прогнозирования, используя независимые подтверждающие данные для дальнейшего анализа.
Полученные результаты
Команда обнаружила, что региональная площадь поверхности коры значительно влияет на категоризацию лиц группы CHR-PS+ от HC. Лица в категориях CHR-UNK и CHR-PS- с большей вероятностью были идентифицированы как HC.
Нелинейно подобранный классификатор признаков SA превзошел группы CHR-PS+ и HC. Модель получила точность 85% с использованием обучающих данных. Команда достигла наилучшей оценки, используя данные испытаний (68%) и независимые подтверждающие данные (73%).
Они определили десять лучших весовых характеристик для отделения HC от групп CHR-PS+, которые включали островковую область, верхнюю лобную, верхнюю височную, верхнюю теменную, перешеек поясной извилины, веретенообразную, постцентральную извилину и парагиппокампальную извилину.
У лиц с большим количеством клинических симптомов наблюдались более низкие площади поверхности коры в ростральной передней поясной извилине, латеральной префронтальной и медиальной префронтальных областях и парагиппокампальной извилине.
Классификаторы на основе машинного обучения, обученные на 152 структурных особенностях мозга МРТ, показали худшие результаты в подтверждающем анализе, чем классификаторы, скорректированные по полу и возрасту.
Исследователи также попытались отличить людей с клинически высоким риском от здоровых людей из контрольной группы и людей категории CHR-PS+ от людей в категории CHR-PS-, но добились точности только 50%.
Были отмечены статистически значимые различия в классифицированных метках: здоровая контрольная группа продемонстрировала повышенную вероятность быть классифицированной как контрольная группа по сравнению с лицами с CHR-PS+ (73% против 30%). Данные независимых групп не выявили различий между группами CHR-UNK и CHR-PS-.
Исследование выявило значительные различия в классифицированных метках и прогнозируемых вероятностях между четырьмя группами пациентов с CHR-PS+.
Лица с CHR-PS+ отличались от участников других групп, тогда как лица с CHR-PS- находились между группами здорового контроля и CHR-PS+.
Хотя прогнозируемая вероятность варьировалась в зависимости от возраста и группы, команда не обнаружила статистически значимых взаимодействий между возрастными группами. Кривые принятия решений показали, что получение прогноза от текущего классификатора привело к более высокому чистому преимуществу для перехода к первооткрывателю CHR.
Заключение
В целом результаты исследования показали, что сканирование sMRI может помочь определить прогноз для людей с CHR и отличить людей с CHR-PS+ от здоровых людей из контрольной группы.
Модель достигла точности 85% при классификации на два класса за счет нелинейной корректировки переменных площади корковой поверхности в зависимости от пола и возраста.
Нейроанатомические изменения помогли идентифицировать лиц группы CHR-PS+. Верхняя височная, островковая и лобная области больше всего способствовали различению CHR-PS+ от HC.
2024-02-14 13:08:00
1707917560
#Новая #модель #машинного #обучения #использует #снимки #МРТ #для #прогнозирования #начала #психоза
