机器学习识别重度抑郁症的新脑网络特征
利用机器学习，研究人员发现了重度抑郁症患者大脑不同部分之间新颖、独特的协调活动模式——即使使用不同的协议来检测这些大脑网络。日本京都国际高级电信研究所的Ayumu Yamashita及其同事在开放获取的期刊上发表了这些发现公共科学图书馆生物学．
而重度抑郁症通常是直接诊断，更好的了解大脑网络可以改善抑郁症相关的治疗策略。机器学习算法可以应用于抑郁症患者大脑活动的数据，以发现这种联系。然而，大多数研究只关注抑郁症的特定亚型，或者他们没有考虑到医疗机构之间脑成像协议的差异。
为了解决这些挑战，Yamashita和同事们使用机器学习分析了713人的大脑网络数据，其中149人患有重度抑郁症。这些数据是用一种叫做静息态功能磁共振成像(rs-fMRI)的技术收集的大脑的活动并产生图像，显示大脑不同部分之间的协调活动或“功能连接”。成像是在不同的机构使用不同的方案进行的。
的机器学习方法确定了成像数据中的关键功能连接，可以作为重度抑郁症的脑网络特征。事实上，当研究人员将这种新特征应用于从不同机构收集的521人的rs-fMRI数据时，他们在识别这些新人群时达到了70%的准确率重度抑郁症．
研究人员希望他们的新大脑网络特征可以应用于不同的成像协议，可以作为发现与抑郁症亚型相关的大脑网络模式的基础，并揭示抑郁症和其他疾病之间的关系。更好地了解重度抑郁症患者的大脑网络连接可以帮助患者匹配有效的治疗方法，并为新治疗方法的开发提供信息。
进一步探索
更多信息:Yamashita A, Sakai Y, Yamada T, Yahata N, Kunimatsu A, Okada N，等。(2020)跨多个成像位点的重度抑郁症的泛化脑网络标记。公共科学图书馆杂志18日(12):e3000966。doi.org/10.1371/journal.pbio.3000966
期刊信息:
公共科学图书馆生物学
所提供的公共科学图书馆
引用:机器学习识别出重性抑郁症的新脑网络特征(2020年12月7日)，检索自2022年7月31日//www.pyrotek-europe.com/news/2020-12-machine-brain-network-signature-major.html
这份文件受版权保护。除为私人学习或研究目的而进行的公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
