Název:
Využití strojového učení v analýze dat z magnetické rezonance za účelem zlepšení diagnostiky časné schizofrenie
Překlad názvu:
Improving the diagnosis of first-episode schizophrenia from magnetic resonance imaging using machine learning
Autoři:
Mikoláš, Pavol ; Hájek, Tomáš (vedoucí práce) ; Syka, Josef (oponent) ; Hájek, Milan (oponent) Typ dokumentu: Disertační práce
Rok:
2018
Jazyk:
eng
Abstrakt: [eng][cze] Background: Early diagnosis of schizophrenia could improve the outcomes and limit the negative effects of untreated illness. Although participants with schizophrenia show structural/functional alterations on the group level, these findings have a limited diagnostic utility. Novel methods of MRI analyses, such as machine learning (ML), may help bring neuroimaging from bench to the bedside. Here, we used ML to differentiate participants with a first episode of schizophrenia-spectrum disorder (FES) from healthy controls (HC) based on neuroimaging data and compared the diagnostic utility of such approach with the utility of between group comparisons using classical statistical methods. Method: Firstly, we performed a classical fMRI experiment in FES using a self/other- agency task (SA/OA) and compared FES (N=35) versus controls (N=35) using conventional statistics. We than classified FES and healthy controls (HC) using linear kernel support vector machine (SVM) from the resting-state functional connectivity (rsFC) and fractional anisotropy (FA) in 63/63 and 77/77 age- and sex-matched FES and HC participants. We also investigated the between-group differences in rsFC and FA using classical between-group comparisons. Results: FES group exhibited a decreased activation during the emergent SA experience...Úvod: Včasná diagnóza schizofrenie může omezit negativní dopad neléčené nemoci. Progresivní funkční a strukturální změny byly opakovaně detekovány metodami skupinové statistiky, avšak kvůli nízké senzitivitě a specificitě nenašly v klinické praxi dosud využití. Nové metody analýzy, jako například strojové učení, mají v kombinaci s neurozobrazovacími metodami v psychiatrii diagnostický potenciál. Provedli jsme klasifikaci pacientů s první epizodou schizofrenie a zdravých dobrovolníků založenou na neurozobrazovacích datech a srovnali možnosti jejího klinického využití s přístupy klasické skupinové statistiky. Metody: V prvním kroku jsme provedli analýzu klasického fMRI experimentu v blokovém designu s využitím ''self-agency'' paradigmatu (SA) pomocí klasické skupinové statistiky. Následně jsme klasifikovali pacienty s FES a zdravé dobrovolníky pomocí linear support vector machine (SVM) z dat klidové funkční konektivity (rsFC) a frakční anizotropie (FA) pomocí strojového učení na souborech 63/63 (rsFC) a 77/77 (FA) pacientů/zdravých dobrovolníků, kteří byli jednotlivě matchováni podle věku a pohlaví. Výsledky: U FES jsme detekovali nižší aktivaci během SA prožitku v centrálních mediálních strukturách (CMS). SVM byl schopen rozlišit pacienty od zdravých dobrovolníků s přesností 73.0% (p=0.001) (rsFC) a...