Home Medizin Neues Modell für maschinelles Lernen nutzt MRT-Scans, um den Beginn einer Psychose vorherzusagen

Neues Modell für maschinelles Lernen nutzt MRT-Scans, um den Beginn einer Psychose vorherzusagen

von NFI Redaktion

In einer kürzlich veröffentlichten Studie in der Zeitschrift Molecular Psychiatry führten Forscher eine strukturelle Magnetresonanztomographie (sMRT) durch, um einen Klassifikator für maschinelles Lernen zu entwickeln und neuroanatomische Muster zwischen gesunden Kontrollpersonen (HCs) und solchen, die eine psychotische Erkrankung entwickeln (CHR-PS+) zu unterscheiden.

Studie: Verwendung von hirnstrukturellen Neuroimaging-Maßnahmen zur Vorhersage des Ausbruchs einer Psychose bei Personen mit klinisch hohem Risiko.  Bildquelle: Nomad_Soul/Shutterstock.com
Studie: Verwendung von hirnstrukturellen Neuroimaging-Maßnahmen zur Vorhersage des Ausbruchs einer Psychose bei Personen mit klinisch hohem Risiko. Bildquelle: Nomad_Soul/Shutterstock.com

Hintergrund

Die strukturelle MRT wird zur Diagnose von Krankheiten eingesetzt, ihre Eignung zur Feststellung von Psychosen ist jedoch unklar. Das klinische Hochrisikoparadigma (CHR) hilft bei der Früherkennung und Prävention psychotischer Störungen.

Personen mit klinisch hohem Risiko erkranken häufiger an einer Psychose als gesunde Kontrollpersonen. Bei der Mehrheit kommt es jedoch nicht zu einem Übergang oder die Symptome sind gemindert.

Der CHR-Status korreliert mit Veränderungen der Gehirnanatomie, einschließlich des Volumens der grauen Substanz, der kortikalen Oberfläche und der kortikalen Dicke. Querschnitts-MRT-Ergebnisse zeigen, dass die Patienten am CHR einen niedrigeren CT-Wert aufwiesen.

Über die Studie

In der vorliegenden Studie erstellten die Forscher ein maschinelles Lernmodell, um CHR-PS+-Individuen von HCs zu unterscheiden. Sie untersuchten auch, ob das Modell CHR-PS+-Patienten von Personen unterscheiden kann, die keine Anzeichen einer Psychose zeigten (CHR-PS-) oder von Personen mit unbekanntem Status bei der Nachuntersuchung (CHR-UNK).

Die Forscher sammelten T1-gewichtete sMRT-Gehirnbilder von 1.029 HCs und 1.165 CHR-Personen an 21 Standorten der ENIGMA CHR for Psychosis Working Group.

Das Team verwendete ComBat-Tools, um Messungen der kortikalen Dicke, Oberfläche und subkortikalen Volumen zu standardisieren und einen XGBoost-Klassifikator zu entwickeln, der CHR-PS+- und HC-Daten verwendet, um Aberrationen in neuroanatomischen Entwicklungsmustern zu erkennen.

Ergebnisse

Das Team stellte fest, dass die regionale kortikale Oberfläche die Kategorisierung von Personen der CHR-PS+-Gruppe aus HC erheblich beeinflusste. Ein nichtlinear angepasster SA-Merkmalsklassifikator übertraf die CHR-PS+- und HC-Gruppen.

Das Team identifizierte die zehn besten Merkmalsgewichte zur Trennung von HC- und CHR-PS+-Gruppen und führte Entscheidungskurvenvergleiche durch, um die Vorhersagefähigkeit des Modells zu bewerten.

Abschluss

Die Studienergebnisse legen nahe, dass sMRT-Scans dazu beitragen könnten, die Prognose von CHR-Personen zu bestimmen und zwischen CHR-PS+-Personen und gesunden Kontrollpersonen zu unterscheiden. Die neuroanatomischen Veränderungen halfen dabei, Individuen der CHR-PS+-Gruppe zu identifizieren und könnten einen wichtigen Schritt in Richtung der Früherkennung psychotischer Störungen darstellen.

Related Posts

Adblock Detected

Please support us by disabling your AdBlocker extension from your browsers for our website.