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
