基于功能 MRI 数据的多图谱集合集成图神经网络模型用于重大抑郁症检测
计算机视觉与模式识别
2024-12-31 v1 人工智能
摘要
重大抑郁症（MDD）是最常见的精神疾病之一，对许多日常活动和生活质量产生重大影响。它是全球最常见的精神疾病之一，位列全球残疾因素第二。当前的 MDD 诊断方法主要依赖临床观察和患者自我上报症状，忽略了导致抑郁的多样化潜在原因和病理生理因素。因此，科学研究人员和临床医生必须更深入地理解 MDD 所涉及的病理生理机制。神经科学学界日益显示，抑郁是一种脑网络疾病，神经影像学（如磁共振成像，MRI）在识别和治疗 MDD 中发挥着重要作用。静息状态功能 MRI（rs-fMRI）是研究 MDD 最流行的神经影像技术之一。深度学习技术已被广泛应用于神经影像数据，以帮助早期精神健康疾病检测。近年来，图神经网络（GNN）受到越来越多的关注，这些网络是专为处理图结构数据（如 rs-fMRI）而设计的深度神经网络。本研究旨在开发一种集成式 GNN 模型，能够从 rs-fMRI 图像中检测判别性特征，以诊断 MDD。具体而言，我们通过结合多个脑区分割图谱的特征来构建集成模型，以捕捉脑部复杂性并比单图谱模型更准确地检测离散特征。进一步地，通过在大型多站点 MDD 数据集上评估，我们证明了该模型的有效性。最佳模型在所有折叠中的准确率为 75.80%，灵敏度为 88.89%，特异度为 61.84%，精确度为 71.29%，F1 分数为 79.12%。
引用
@article{arxiv.2412.19833,
title = {Multi-atlas Ensemble Graph Neural Network Model For Major Depressive Disorder Detection Using Functional MRI Data},
author = {Nojod M. Alotaibi and Areej M. Alhothali and Manar S. Ali},
journal= {arXiv preprint arXiv:2412.19833},
year = {2024}
}
备注
17 pages, 2 figures, 10 tables