基于机器学习的情绪障碍诊断：功能网络预测药物反应

1、来自伦敦健康科学中心劳森健康研究所(LawsonHealthResearchInstitute,LondonHealthSciencesCentre)的OsuchE等研究人员在ActaPsychiatricaScandinavica(APS)期刊上发表了基于功能磁共振成像(fMRI)的情感障碍患者的分类和预测的相关研究。结果表明，他们提出的分类算法能够对情感障碍患者进行较好的诊断，并且对复杂患者的药物反应进行准确预测。本研究采集了99名受试者的功能磁共振数据。其中，受试者被分为双相障碍患者(bipolardisorder,BD)、重度抑郁症患者(majordepressivedisorder,

2、MDD)和健康被试。其次，本研究采用已确诊的受试者对模型进行训练和验证。其主要步骤包括：提取了最大空间独立成分、构建了受试者之间的相似矩阵、核空间划分(kernelspace)相似矩阵、优化支持向量机(SupportVectorMachine,SVM)分类器和独立成分组合。最后，本研究将训练好的分类器应用到12名已确诊的情绪障碍患者。结果表明，本研究提出的算法对已确诊患者的分类正确率高达92.4%,并确定了最优的5个独立成分组合。此外，本研究将此分类模型应用于12例未确诊的情感障碍患者，其分类准确率高达92%o关键字：功能磁共振成像(fMRI)、独立成分分析、支持向量机、双相情感障碍、抑郁症被

3、试招募99名(年龄16-27岁)受试者，包括32名双相情感障碍I型(BipolarDisordertypeI,BD-I)患者、34名重度抑郁症(MajorDepressiveDisorder,MDD)患者和33名健康受试者(HealthyControl,HC)。其中，BD和MDD患者由FirstEpisodeMoodandAnxietyProgram(FEMAP)和伦敦健康中心进行招募。所有病人均通过StructuredClinicalInterviewforDSMdisorders-IV(SCID-IV)和theDiagnosticInterviewforGeneticStudies(DIG

4、S)诊断并经过临床精神病学诊断与评估同时，本研究中存在12名未能确诊的患者(unknown,antidepressants,AD）和情绪稳定UNK)。此外，所有病人治疗药物被简化为抗抑郁症类(moodstabilizers,MS)两类。数据采集与处理本研究对所有受试者进行了磁共振成像扫描，采集了T1加权MRI和fMRI功能影像。其中，BD和MDD患者在扫描前的3周服用药物维持不变，同时扫描期间情绪正常(sustainedeuthymia)。本研究采用SPM工具包进行数据预处理，其步骤主要包括前10个时间点去除、时间层校正、头动校正、分割、空间标准化和空间平滑。基于先前的分类方法，本研究改进了分

5、类算法。其主要包括四个部分：(1)基于fMRI数据估计空间3立成分(IndependentComponents,ICs)；(2)基于sigmoid核函数构建被试间相似性矩阵；(3)在核空间对相似性矩阵进行划分；(4)嵌套交叉验证支持向量机(supportvectormachine,SVM)分类器的构建和独立成分组合的优化。详细如图1所示。图1.分类器构建框架):本研究在BD、1 .基于fMRI数据估计空间3立成分（independentcomponents,ICsMDD和HC三组上采用了组信息引导的独立成分分析(GroupinformationguidedICA,GIG-ICA)方法分解了20

6、个独立成分.2 .基于sigmoid核构建被试间相似性矩阵：为探讨独立成分的组合以提高分类正确率，本研究构建了由判别成分组合张成的子空间，并在此基础上计算了被试成分之间的黎曼相似度/距离测度。如图1.a所示3 .采用SVM分类器进行前向成分选择(Forwardcomponentselection):已确诊的BD和MDD的分类器的嵌套交叉验证如图1.a所示，未确诊的UNK受试的分类器的测试如图1.b所示。本研究采用步进式(step-wise)前向特征选择的方法对成分进行选择和组合优化。最后，本研究基于已确诊的BD和MDD的100个最优独立成分组合构建了具有900个投票的分类器。4 .未知标签的被

7、试分类：本研究采用训练好的分类器对未确诊的UNK患者进行投票以便确定每个UNK患者的标签。研究结果BD、MDD和HC受试者的人口统计学信息如表1所示。虽然三组受试者无性别差异，BD患者的年龄大于MDD患者，但本研究采用MANCOVA统计检验在性别和年龄未发现显著的差异。另外，研究结果发现在每个IC上回归人口统计信息协变量和未回归协变量的结果表现相同。为说明了人口统计信息的影响，本研究仅基于年龄和性别采用相同参数的SVM分类器对BD和MDD患者进行了分类。其中正确率为49.32%、敏感性为89.19%和特异性为8.33%。已确诊的HC、BD和MDD的分类针对BD和MDD的分类，本研究训练的分类器

8、对不同数目的IC分类正确率均保持在84%以上。其中，最好的分类正确率为92.4%,敏感性87.5%和特异性97.1%,同时该分类器包含了5个独立成分。本研究训练的分类器在BD和HC间的分类精度为91.4%,在MDD和HC间的分类精度为94.2%o同时，与以前的方法相比，本研究在模型精确度和耗时方面均有所提高。其中，本研究每个10折交叉仅耗时39.8小时，以前的方法则需耗时143.1小时。如图2a所示。已知的BD和MDD组之间的判别成分本研究中在10次10折交叉验证中存在100种独立成分的组合。图2b中展示了最优组合中20个成分出现的频率。本研究选择了5个成分（11、6、16、1、2,如图2c所

9、示）作为最具有判别能力的功能网络来区分BD和MDDo上述5个成分主要包含了背侧注意网络、默认网络、额顶中心执行网络和突显网络，同时也包含了尾状核、脑岛和丘脑。Fn.nlitfd0祚叩nCLMUiA<!JD£.n-atfjuliwTudLtulJCumHi图2.分类结果r-01未确诊UNK患者的分类12名UNK受试者的BDvs.MDD的投票比例和分类器预测结果、扫描期间和情绪正常(sustainedeuthymia)状态下的临床诊断和药物类别(medication-classes)和其他变量如表2所示。在本研究提出的具有二分类的SVM的诊断预测模型中，每个UNK受试者都被假定为B

10、D或MDD患者。具体的病例信息和介绍可参考原文。基于受试者的药物反应，本研究提出的算法对12个受试者中的11个预测分类是正确的。值得注意的是，该算法以患者对药物反应为金标准(goldstandard)。其中，该算法对5名脑功能更像BD的患者(具有MS药物反应)和2名脑功能更像MDD的患者(具有AD药物反应)进行了正确的分类。同时，该算法对4名脑功能更像MDD的患者(未服用药物且情绪正常)进行保守的分类。此外,本研究对1名患有精神分裂障碍和脑功能更像MDD患者（对MS和AP药物有反应，而对AD药物未有反应）进行了错误分类。表2.分类器投票、DIGS情绪诊断、临床诊断和药物类别信息0口聒thClW

11、MmdDaonEnty3VChin白仃snEiin艇atSanhHfespuiw*CF，h田Mn<Hist*1andhriitMivw由MOOtlW润而4Hix砧T刚Z2M日四kiDMF1S&如叩G32，日BD1310K白0-1痴MJ加阿出心;PTSD*M蛆3埴右l,1tc向MuD向电n工山。也嘘1tJ&Ar153Mi翁1BDlireIBfnAtownsn*Y4MCT'13W21MBEI汕耻的1金加i4由MSMSAPg3?#671MOD1海啮F岬MDUBDNoibMS8agBO1湖ISMMOD贴0。器BOtaficMSMS鹿E12而BBD137219MBOII闰山

12、1C如MtrmaMJ注DMtHMNoneMm伯18423270BMOO口陶XMMDU需BDMonoM)Mwie2«站MOD1WFBO-IIMOD髭BDMJPTSDMSADMS用,436BO113rMODMODwBDMJ加prgirwFTSDihtom#Mmif53?s/8,ftopHT?19MBD-Hm叩用anM-北附由mt.FISH即AO司1174a?BMOD本研究基于fMRI提出了针对情感障碍的机器分类算法。该算法对确诊的双相障碍患者（BD）和重度抑郁症患者（MDD）能够进行较好的区分（正确率高达92.4%）。同时，本研究对未确诊的复杂患者也能正确分类（12名患者中11名正确分类）。结果表明本研究提出的算法对于复杂情感障碍的患者的诊断具有临床价值。参考文献：OsuchE,GaoS,Wamme