Классификация шизофрении с использованием функциональной МРТ и исследование лежащих в основе функциональных феноменов
Введение
Существующие исследования выявили функциональные аномалии в определенных областях мозга у пациентов с шизофренией (SZ), однако взаимосвязи между этими аномалиями и их влияние на прогрессирование заболевания остаются неясными.
Цель
Исследование направлено на классификацию пациентов с SZ с использованием функциональной МРТ (fMRI) и изучение лежащих в основе функциональных феноменов.
Методы
В исследование включены 56 пациентов с SZ и 56 здоровых лиц контрольной группы. На основе данных фМРТ в состоянии покоя анализировались:
- Дробная амплитуда низкочастотных колебаний (fALFF)
- Региональная однородность (ReHo)
- Степень центральности (DC)
Статистически значимые показатели были выбраны в качестве признаков, а модели машинного обучения (ML) использовались для различения пациентов и контрольной группы. Важность признаков в оптимальной модели была проанализирована. Алгоритм обнаружения сообществ Лувена и структурное уравнение моделирование применялись для изучения взаимосвязей сообществ и потенциальных причинно-следственных эффектов.
Результаты
Средняя точность предсказания различных классификаторов ML достигла 0.9241 по значениям fALFF, ReHo и DC. Модель SVM показала наивысшую производительность с точностью 0.9464. Аномальная ReHo в правой средней лобной извилине внесла наибольший вклад в этот оптимальный классификатор и участвовала в прямом воздействии на SZ.
Все проанализированные признаки в итоге образовали два функциональных кластера (FClus), демонстрирующих внутренние причинно-следственные влияния. FClus1 оказывал положительное влияние на SZ, начинаясь с аномальной fALFF в правой нижней височной извилине. FClus2 оказывал отрицательное влияние на SZ, начинаясь с аномальной fALFF в левой веретенообразной извилине.
Аномальная fALFF в правом хвостатом ядре, степень центральности в правой угловой извилине и ReHo в правом чечевицеобразном ядре не оказывали причинного влияния на заболевание.
Выводы
Были выявлены взаимодействия между признаками внутри FClus, потенциально влияющие на возникновение и прогрессирование шизофрении, включая феномен эпицентра FClus, FClus для ингибирования шизофрении и аномальную функцию областей мозга без прямого воздействия. Кроме того, предполагается, что вклад признаков в модель классификации заболевания может указывать на размер их прямого воздействия на болезнь, но не обязательно на их важность в процессе заболевания.
Термины и сокращения
- SZ — Schizophrenia (шизофрения)
- fMRI — Functional Magnetic Resonance Imaging (функциональная магнитно-резонансная томография)
- fALFF — Fractional Amplitude of Low-Frequency Fluctuations (дробная амплитуда низкочастотных колебаний)
- ReHo — Regional Homogeneity (региональная однородность)
- DC — Degree Centrality (степень центральности)
- ML — Machine Learning (машинное обучение)
- SVM — Support Vector Machine (метод опорных векторов)
- FClus — Functional Clusters (функциональные кластеры)