Feb, 2024

情绪障碍治疗中药物分类和非响应患者的多尺度神经影像特征

PDF
TL;DR通过利用多空间尺度的神经影像特征，尤其是静息状态下的功能网络和功能网络连接度测量，本研究展示了这些特征对于在治疗情绪障碍中识别相关药物类别和非反应者具有丰富且可靠的基础。我们证明了所生成的特征，以及用于快速自动特征选择的新方法，可支持在药物类别和非反应者的识别以及多尺度生物标志物的识别方面具有高准确率。
mood disordersneuroimagingclinical treatmentmedication classnon-responders
发现论文，激发创造
  • 多模态生理信号的分层对比学习在抑郁症识别中的应用

    通过多模态生理信号的 Siamese 架构，通过多尺度对比，学习抑郁症识别的多模态生理信号的表示学习框架，能够提高对刺激任务相关的语义表示的学习，且在公开数据集和自收集的多模态生理信号数据集上优于现有模型，具备对多模态时序下游任务的迁移能力。

    Jun, 2024

  • 多尺度功能磁共振成像时间序列分析用于理解轻度认知功能障碍的神经退行性变化

    本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

    Feb, 2024

  • 多特征拼接和多分类器堆叠：一种可解释和可泛化的基于 rsfMRI 的 MDD 判别机器学习方法

    通过使用多种特征和多种分类器的机器学习方法（MFMC），对使用 REST-meta-MDD 数据集的 2428 名受测者进行测试，MFMC 的 MDD 区分准确率达到 96.9％，明显改善了现有方法；并且，验证了 MFMC 的泛化能力，当训练和测试受测者来自独立的场地时，其表现仍然良好。这些结果将有助于将 13 个特征值作为临床有用的精神障碍诊断和预后生物标志物。

    Aug, 2023

  • 双金字塔多模态融合方法用于双相障碍的诊断

    利用脑部结构磁共振成像和功能磁共振成像数据，结合融合策略，提出了一种新颖的多模态诊断模型，用于双相情感障碍的诊断。实验证明，该方法在 OpenfMRI 数据集上的平衡准确度从 0.657 提升至 0.732，达到了最先进水平。

    Jan, 2024

  • 使用循环神经网络学习精神分裂症障碍的神经标记

    利用循环卷积神经网络从 4 维功能磁共振成像记录中自动学习有用的表示，旨在利用功能性磁共振成像电影中的空间和时间信息（在全脑像素水平上）识别患有精神分裂症的患者。

    Dec, 2017

  • 多维嵌入感知的模态融合变压器用于精神障碍分类

    我们提出了一种基于多维嵌入感知的模态融合变压器（MFFormer）来使用静息状态功能磁共振成像（rs-fMRI）和 T1 加权结构磁共振成像（T1w sMRI）对精神分裂症和双相障碍进行分类，实验结果表明我们的 MFFormer 在精神分裂症和双相障碍诊断上表现优于单一或多模态 MRI。

    Oct, 2023

  • 朝着结果驱动的患者亚群：六项抑郁症治疗研究的机器学习分析

    通过神经网络模型和机器学习技术，我们发现患者的原型可以用于识别与治疗反应相关的患者群体，并生成适当的治疗方案，这可能有助于精准医学治疗抑郁症。

    Mar, 2023

  • 使用基于顶点的脑皮层特征的 DenseNet 和支持向量机对主要抑郁症的分类

    基于顶点特征和非线性分类器，将抑郁症患者和健康对照组区分开的研究表明，MDD 分类在这些特征和分类器的组合上是不可行的。

    Nov, 2023

  • 尺度神经影像内源表型：通过机器学习对疾病异质性的神经生物学表征

    使用机器学习和多模态磁共振成像研究揭示了神经精神和神经退行性疾病中的疾病多样性，通过识别疾病亚型，发现了不同脑表型特征之间的显著差异。在本综述中，首先对使用机器学习和多模态磁共振成像解析神经精神和神经退行性疾病多样性的研究进行了系统文献综述，包括阿尔茨海默病、精神分裂症、抑郁症、孤独症谱系障碍、多发性硬化症以及它们在转诊诊断中的潜力。随后，总结了相关的机器学习方法，并讨论了被称为 “维度性神经影像内部表型” 的新兴范式。维度性神经影像内部表型通过将神经精神和神经退行性疾病的神经生物多样性解剖为一个低维度但信息丰富、量化的脑表型表示，作为一种反映潜在遗传学和病因学的鲁棒性中介表型（内部表型）。最后，讨论了当前研究结果的潜在临床意义并展望了未来的研究方向。

    Jan, 2024

  • 结构性 MR 和 FDG-PET 图像的多模态和多尺度深度神经网络用于早期诊断阿尔茨海默病

    本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病，能够更好地表征人脑变化，并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68％。

    Oct, 2017