基于距离相关功能连接网络的机器学习模型在精神分裂症诊断中的价值

• 作者: 苏乾 赵睿 杨帆 刘怀贵
• 来源期刊: 国际医学放射学杂志
• 关键词: 精神分裂症 功能磁共振成像 多变量模式分析 机器学习 功能连接 距离相关
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 论著
• 页码范围: 380-384
• 页数: 4页
• 分类号: R749.3,R445.2
• 语种: 中文
• DOI: 10.19300/j.2022.L19327

摘要

目的 探讨基于距离相关的功能连接（FCD）网络的机器学习模型能否更准确地识别精神分裂症病人，以实现精神分裂症的精准诊断。方法 前瞻性纳入性别、年龄相匹配的精神分裂症病人103例和健康对照103例，均收集静息态功能MRI数据。采用自动解剖标记（AAL）模板将全脑分为116个脑区，分别构建基于Pearson相关的功能连接（FCP）网络和FCD网络，FCP、FCD网络中均有6670条连接。采用独立样本t检验分别对精神分裂症病人和健康对照的FCP和FCD网络中的每条连接进行比较分析，以年龄、性别、头动参数作为协变量，进行Bonferroni多重比较。采用MVPANI软件包进行多变量模式分析，基于FCP和FCD网络特征以及两者融合特征构建线性支持向量机（SVM）分类模型，采用置换检验评价分类模型的诊断准确度。计算各个模型的分类诊断敏感度和特异度，应用受试者操作特征曲线下面积（AUC）评估模型的预测效能。结果 与健康对照相比，精神分裂症病人各脑区间FCP及FCD网络均可见广泛失连接。基于FCP、FCD网络特征及两者融合特征建立的SVM分类模型对精神分裂症病人和健康对照的分类准确度分别为76.4%、82.6%、84.7%（均P＜0.05），对应的AUC分别为0.86、0.88、0.91。结论 与FCP网络特征相比，基于FCD网络特征的机器学习模型能够更准确地诊断精神分裂症病人，基于两者融合特征的机器学习模型能够进一步提高预测性能。