目的:基于功能磁共振成像(functional magnetic resonance imaging,fMRI)数据构建深度学习分类模型,以辅助诊断双相障碍患者,并分析双相障碍关键影像学特征,提高双相障碍识别率。方法:收集符合 DSM-Ⅳ诊断标准的双相障碍患者146例(患者组)以及健康对照者234名(对照组),进行fMRI扫描。采用局部一致性(regional homogeneity,ReHo)和低频振幅2种方法分析fMRI数据。基于ReHo和低频振幅指标分别采用深度神经网络(deep neural networks,DNN)和双通道卷积神经网络(dual-channel convolution neural networks,DCNN)构建分类模型,并通过比较分类准确率、受试者工作特征曲线曲线下面积获得最佳分类模型;采用准确率较高的影像指标对基于自动解剖标记图谱(anatomical automatic labeling,AAL)的90个大脑区域使用支持向量机(support vector machine,SVM)算法构建基于单个脑区的分类模型,并通过比较准确率指标,识别双相障碍的关键影像学特征。结果:基于ReHo和低频振幅指标构建的DCNN分类模型的准确率分别为75.3
作者:魏鑫茹;段佳;张然;杨景钰;张陆衡;姚菲;董帅;张锡哲;王菲;朱荣鑫
来源:中华精神科杂志 2022 年 55卷 1期