Поиск наиболее информативных регионов для бинарной классификации шизофрении по данным фМРТ состояния покоя на основе метода выделения функционально однородных регионов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе решается задача автоматической бинарной классификации участников эксперимента с диагнозом шизофрения и группы контроля на наборе данных, полученном на томографе Siemens Magnetom Verio 3Тл. Набор включал данные 36 участников эксперимента, проходящих лечение в «ГБУЗ ПКБ №1 ДЗМ», и 36 участников эксперимента из группы контроля. Для решения поставленной задачи были применены методы машинного обучения. В результате была достигнута точность разделения 76%, что соответствует результатам, полученным в других научных исследованиях. Наиболее высокая точность получена для уже известного в литературе параметра локальной однородности (regional homogeneity – ReHo). Разработанный авторами набор признаков на основе метода выделения функционально однородных регионов (Functionally Homogeneous Regions – FHR) обеспечил достижение максимальной точности классификации 74%. Но при этом набор признаков FHR обеспечивает более высокую точность классификации при использовании малого числа регио нов мозга. Так, например, уже на 8 регионах набор FHR обеспечил почти максимальную точность классификации – 72.5% (против 65% у набора ReHo), что позволяет предположить, что именно выделенные 8 регионов дают наиболее высокий уровень разделения.

Полный текст

Доступ закрыт

Об авторах

А. Д. Жемчужников

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

С. И. Карташов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

С. О. Козлов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

В. А. Орлов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

А. А. Пойда

Национальный исследовательский центр «Курчатовский институт»

Автор, ответственный за переписку.
Email: Poyda_AA@nrcki.ru
Россия, Москва

Н. В. Захарова

Самарский государственный медицинский университет; Национальный медицинский исследовательский центр психиатрии и неврологии им. В.М. Бехтерева

Email: Poyda_AA@nrcki.ru
Россия, Самара; Санкт-Петербург

Л. В. Бравве

Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения города Москвы

Email: Poyda_AA@nrcki.ru
Россия, Москва

Г. Ш. Мамедова

Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения города Москвы

Email: Poyda_AA@nrcki.ru
Россия, Москва

М. А. Кайдан

Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения города Москвы

Email: Poyda_AA@nrcki.ru
Россия, Москва

Список литературы

  1. Zakharova N.V., Mamedova G., Bravve L.V., Kaydan A., Kartashov S., Orlov V.A., Ushakov V. Differential diagnosis of delusional symptoms in schizophrenia: Brain tractography data. Cognitive Systems Research. 2023. 77. 217–225. https://doi.org/ 10.1016/j.cogsys.2022.10.008
  2. Antonucci L.A., Pergola G., Pigoni A., Dwyer D., Kambeitz-Ilankovic L., Penzel N., Romano R., Gelao B., Torretta S., Rampino A., Trojano M., Caforio G., Falkai P., Blasi G., Koutsouleris N., Bertolino A. A Pattern of Cognitive Deficits Stratified for Genetic and Environmental Risk Reliably Classifies Patients With Schizophrenia From Healthy Control Subjects. Biol. Psychiatry. 2020. 87, 8. 697–707.
  3. Arlot S., Celisse A. A survey of cross-validation procedures for model selection. Statistics Surveys, 2010, P: 40-79.
  4. Bassett D.S., Sporns O. Network neuroscience. Nature Neuroscience. 2017, 20(3), 353–364.
  5. Biswal B., Zerrin Yetkin F., Haughton V.M., Hyde J.S. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magnetic Resonance in Medicine. 1995. 34 (4): 537–541.
  6. Calhoun V.D., Liu J., Adalı T. A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data. NeuroImage. 2009. 45(1), S163–S172, https://doi.org/10.1016/j.neuroimage.2008.10.057
  7. Cao B., Cho R.Y., Chen D., Xiu M., Wang L., Soares J.C., Zhang X.Y. Treatment response prediction and individualized identification of first-episode drug-naïve schizophrenia using brain functional connectivity. Mol. Psychiatry. 2020. 25(4): 906–913.
  8. Chang Y.-W., Tsai S.J., Wu Y.-F., Yang A.C. Development of an Al-Based Web Diagnostic System for Phenotyping Psychiatric Disorders. Front. Psychiatry. 2020. 11. 542394.
  9. Corponi F., Zorkina Y., Stahl D., Murru A., Vieta E., Serretti A., Morozova А., Reznik A., Kostyuk G.P., Chekhonin V. Disfunción de los lóbulos frontales en grupos clínicos de esquizofrenia aguda. Revista de Psiquiatría y Salud Mental, 2021, https://doi.org/ 10.1016/j.rpsm.2021.12.002
  10. Cui Y., Li C., Liu B., Sui J., Song M., Chen J., Chen Y., Guo H., Li P., Lu L., Lv L., Ning Y., Wan P., Wang H., Wang H., Wu H., Yan H., Yan J., Yang Y., Zhang H., Zhang D., Jiang T. Consistent brain structural abnormalities and multisite individualised classification of schizophrenia using deep neural networks. Br J Psychiatry. 2022. 221 (6): 732–739. https://doi.org/10.1192/bjp.2022.22
  11. Freund Y., Schapire R.E. A Short Introduction to Boosting. 1999.
  12. Fusar-Poli P., Radua J., McGuire P., Borgwardt S. Neuroanatomical maps of psychosis onset: voxel-wise meta-analysis of antipsychotic-naive VBM studies. Schizophr Bull. 2012 Nov; 38 (6): 1297–307. Epub 2011 Nov 10. PMID: 22080494; PMCID: PMC3494061. https://doi.org/10.1093/schbul/sbr134
  13. Gilbert A.R., Rosenberg D.R., Harenski K., Spencer S., Sweeney J.A., Keshavan M.S. Thalamic volumes in patients with first-episode schizophrenia. Am J Psychiatry. 2001 Apr; 158 (4): 618-24. PMID: 11282698. https://doi.org/10.1176/appi.ajp.158.4.618
  14. Gutiérrez-Gómez L., Vohryzek J., Chiêm B., Baumann P.S., Conus P., Cuenod K.D., Hagmann P., Delvenne J.C. Stable biomarker identification for predicting schizophrenia in the human connectome. Neuroimage Clin. 2020. Vol. 27. P. 102316.
  15. Hu K., Wang M., Liu Y., Yan H., Song M., Chen J., Chen Y., Wang H., Guo H., Wan P., Lv L., Yang Y., Li P., Lu L., Yan J., Wang H., Zhang H., Zhang D., Wu H., Ning Y., Jiang T., Liu B. Multisite schizophrenia classification by integrating structural magnetic resonance imaging data with polygenic risk score. Neuroimage Clin. 2021. 32. 102860.
  16. Jo Jun-Mo. Effectiveness of Normalization Pre-Processing of Big Data to the Machine Learning Performance. The Journal of the Korea institute of electronic communication sciences. 2019. 14. 547–552. https://doi.org/ 10.13067/JKIECS.2019.14.3.547
  17. Kalmady S.V., Greiner R., Agrawal R., Shivakumar V., Narayanaswamy J.C., Brown M.R.G., Greenshaw A.J., Dursun S.M., Venkatasubramanian G. Towards artificial intelligence in mental health by improving schizophrenia prediction with multiple brain parcellation ensemble-learning. NPJ Schizophr. 2019. 5 (1): 2.
  18. Kartashov S., Vartanov A., Захарова Н., Arkhipov A., Strelets V., Maslennikova A., Ushakov V. Tractographic studies in the human brain at the norm and the paranoid schizophrenia. Procedia Computer Science. 2021. 190. 434–438. https://doi.org/ 10.1016/j.procs.2021.06.051
  19. Kambeitz-Ilankovic L., Meisenzahl E.M., Cabral C., von Saldern S., Kambeitz J., Falkai P., Möller H.J., Reiser M., Koutsouleris N. Prediction of outcome in the psychosis prodrome using neuroanatomical pattern classification. Schizophr. Res. 2016. 173 (3): 159–165.
  20. Kottaram A., Johnston L.A., Tian Y., Ganella E.P., Laskaris L., Cocchi L., McGorry P., Pantelis C., Kotagiri R., Cropley V., Zalesky A. Predicting individual improvement in schizophrenia symptom severity at 1-year follow-up: Comparison of connectomic, structural, and clinical predictors. Hum. Brain Mapp. 2020. 41 (12): 3342–3357.
  21. Kozlov S., Poyda A., Orlov V., Malakhov D., Ushakov V., Sharaev M. Selection of functionally homogeneous brain regions based on correlation-clustering analysis. Procedia Comput. Sci. Elsevier BV, 2020. 169. 519–526.
  22. Kozlov S., Poyda A., Orlov V., Sharaev M., Ushakov V. Selection of functionally homogeneous human brain regions for functional connectomes building based on fMRI data. Advances in Cognitive Research, Artificial Intelligence and Neuroinformatics. Cham: Springer International Publishing. 2021. 709–719.
  23. Larkman D.J., Hajnal J.V., Herlihy A.H., Coutts G.A., Young I.R., Ehnholm G. Use of multicoil arrays for separation of signal from multiple slices simultaneously excited. J. Magn. Reson. Imaging. 2001. 13 (2): 313–317.
  24. Lauer M., Senitz D., Beckmann H. Increased volume of the nucleus accumbens in schizophrenia. J Neural Transm (Vienna). 2001;108 (6):645–60. PMID: 11478417. https://doi.org/10.1007/s007020170042
  25. Luo X., Mao Q., Shi J., Wang X., Li C.R. Putamen Gray Matter Volumes in Neuropsychiatric and Neurodegenerative Disorders. World J Psychiatry Ment Health Res. 2019. Vol. 3(1): 1020. Messaritaki E., Foley S., Barawi K., Ettinger U., Jones D. Increased sensorimotor structural connectivity in high schizotypy. bioRxiv, 2022. https://doi.org/10.1101/2022.05.12.491533
  26. Morozova A., Zorkina Y., Abramova O., Pavlova O., Pavlov K., Soloveva K., Volkova M., Alekseeva P., Andryshchenko A., Kostyuk G., Gurina O., Chekhonin V. Neurobiological Highlights of Cognitive Impairment in Psychiatric Disorders. Int J Mol Sci. 2022 Jan 22;23(3):1217. PMID: 35163141; PMCID: PMC8835608. https://doi.org/10.3390/ijms23031217.
  27. Nieto-Castanon A., Whitfield-Gabrieli S. CONN functional connectivity toolbox: RRID SCR_009550, release 22. Hilbert Press. 2022. https://doi.org/10.56441/hilbertpress.2246.5840
  28. Pedregosa F., Varoquaux Gael, Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D, Brucher M., Perrot M. Duchesnay E., Louppe G. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 2011. 12(Oct), 2825–2830.
  29. Pudjihartono N., Fadason T., Kempa-Liehr A.W., O’Sullivan J.M. A Review of Feature Selection Methods for Machine Learning-Based Disease Risk Prediction. Front. Bioinform. 2022.2:927312. https://doi.org/10.3389/fbinf.2022.927312
  30. Rosazza C., Minati L. Resting-state brain networks: Literature review and clinical applications. Neurological Sciences. 2011; 32(5),773–785.
  31. Sharaff A., Gupta H. Extra-Tree Classifier with Metaheuristics Approach for Email Classification. 2019. https://doi.org/ 10.1007/978-981-13-6861-5_17.
  32. Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2001. 546.
  33. Todd N., Josephs O., Zeidman P., Flandin G., Moeller S. Weiskopf N. Functional Sensitivity of 2D Simultaneous Multi-Slice Echo-Planar Imaging: Effects of Acceleration on g-factor and Physiological Noise. Front. Neurosci. 2017. 11: 158. https://doi.org/10.3389/fnins.2017.00158
  34. Tohid H., Faizan M., Faizan U. Alterations of the occipital lobe in schizophrenia. Neurosciences (Riyadh). 2015 Jul; 20 (3): 213–24. PMID: 26166588; PMCID: PMC4710336. https://doi.org/10.17712/nsj.2015.3.20140757
  35. Wolf A. The Machine Learning Simplified: A Gentle Introduction to Supervised Learning. Leanpub, 2022.
  36. Xu K., Liu Y., Zhan Y., Ren J., Jiang T. BRANT: A Versatile and Extendable Resting-State fMRI Toolkit. Front Neuroinform. 2018. 12: 52. https://doi.org/10.3389/fninf.2018.00052
  37. Zang Y., Jiang T., Lu Y., He Y., Tian L. Regional homogeneity approach to fMRI data analysis. Neuroimage. 2004. 22 (1): 394–400. PMID: 15110032
  38. Zou Q.H., Zhu C.Z., Yang Y., Zuo X.N., Long X.Y., Cao Q.J., Wang Y.F., Zang Y.F. An improved approach to detection of amplitude of low-frequency fluctuation (ALFF) for resting-state fMRI: fractional ALFF. J Neurosci Me thods. 2008 Jul 15; 172 (1): 137–41. Epub 2008 Apr 22. PMID: 18501969; PMCID: PMC3902859. https://doi.org/10.1016/j.jneumeth.2008.04.012

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема анализа фМРТ-данных для классификации

Скачать (148KB)
Метаданные
3. Рис. 2. Пример зоны однородности (двумерный срез) для вокселя A. Черные кружки обозначают воксели, цифры под ними – уровень корреляции с вокселем A, пунктирные линии между вокселями соответствуют пространственной связности между вокселями с высокой корреляцией, линия обозначает границу зоны однородности

Скачать (100KB)
Метаданные
4. Рис. 3. Зависимость точности классификации от выбранного числа признаков. По горизонтали – число признаков (логарифмическая шкала), по вертикали – максимальная точность среди всех классификаторов

Скачать (89KB)
Метаданные

© Российская академия наук, 2024