维度神经影像内表型：通过机器学习揭示疾病异质性的神经生物学表征
机器学习
2024-01-19 v1 图像与视频处理
定量方法
摘要
机器学习已日益被用于获取个体化的神经影像特征，以辅助神经精神及神经退行性疾病的诊断、预后评估和治疗反应预测。因此，通过识别在各种大脑表型测量中呈现显著差异的疾病亚型，机器学习促进了对疾病异质性的更好理解。在本综述中，我们首先系统概述了利用机器学习和多模态 MRI 揭示各类神经精神及神经退行性疾病（包括阿尔茨海默病、精神分裂症、重度抑郁症、自闭症谱系障碍、多发性硬化症）异质性的研究，并探讨其在跨诊断设置中的潜力。随后，我们总结了相关的机器学习方法，并讨论了一种新兴范式，即维度神经影像内表型（dimensional neuroimaging endophenotype, DNE）。DNE 将神经精神及神经退行性疾病的神经生物学异质性解构为低维但信息丰富且定量的大脑表型表征，作为一种稳健的中间表型（即内表型），在很大程度上反映了潜在的遗传学和病因学特征。最后，我们讨论了当前发现的潜在临床意义并展望了未来的研究方向。
引用
@article{arxiv.2401.09517,
title = {Dimensional Neuroimaging Endophenotypes: Neurobiological Representations of Disease Heterogeneity Through Machine Learning},
author = {Junhao Wen and Mathilde Antoniades and Zhijian Yang and Gyujoon Hwang and Ioanna Skampardoni and Rongguang Wang and Christos Davatzikos},
journal= {arXiv preprint arXiv:2401.09517},
year = {2024}
}