定量生物学>定量方法
标题: 使用椎体皮质特征对抑郁症进行DenseNet和支持向量机分类
摘要: 重度抑郁症(MDD)是一种复杂的精神疾病,影响着全球数亿人的生活。 即使在今天,研究人员仍在争论大脑的形态学改变是否与MDD有关,这可能是由于这种疾病的异质性所致。 将深度学习工具应用于神经成像数据,能够捕获复杂的非线性模式,有可能为MDD提供诊断和预测生物标记物。 然而,以往通过线性机器学习方法基于分段皮层特征划分MDD患者和健康对照(HC)的尝试报告精确度较低。 在本研究中,我们使用了ENIGMA-MDD工作组的全球代表性数据,其中包含大量MDD患者(N=2772)和HC患者(N=4240)的样本,这使得我们可以利用可概括的结果进行综合分析。 基于顶点方向的皮层特征集成可以提高分类性能的假设,我们评估了DenseNet和支持向量机(SVM)的分类,期望前者的分类性能优于后者。 在分析多站点样本时,我们还应用了ComBat协调工具来消除站点的潜在滋扰影响。 我们发现,在对未发现的站点进行评估时,这两种分类器表现出接近于偶然的性能(平衡精度DenseNet:51%;SVM:53%)。 当交叉验证折叠包含所有站点的受试者时,发现分类性能稍高(平衡精度DenseNet:58%;SVM:55%),表明站点效应。 总之,顶点形态计量特征的集成和非线性分类器的使用并没有导致MDD和HC之间的可微性。 我们的结果支持这样的观点,即基于这种特征和分类器组合的MDD分类是不可行的。