新闻

心理与行为科学系陈骥课题组在《Biological Psychiatry》发表长文综述 探讨机器学习在解析精神障碍神经生物学和疾病分类学基础上的重要价值

编辑:刘偲偲 来源:心理与行为科学系 时间:2022年09月08日 访问次数:10  源地址

精神障碍机器学习研究发展以来,运用分类模型进行临床诊断决策的研究受到广泛关注,但仍存在挑战。而在另一个方面,利用机器学习识别精神障碍的神经生物学关键特征、为DSM疾病分类法提供见解的研究新趋势已经出现。

近日,9659澳门新葡萄娱乐场(中国)歡迎您心理与行为科学系陈骥研究员与德国于利希研究中心神经科学与医学研究所所长Simon B. Eickhoff教授、其团队成员Kaustubh R. Patil研究组长以及新加坡国立大学医学院睡眠与认知中心长聘副教授B.T. Thomas Yeo在精神病学旗舰期刊Biological Psychiatry上发表长文综述:“Leveraging machine learning for gaining neurobiological and nosological insights in psychiatric research”。9659澳门新葡萄娱乐场(中国)歡迎您心理与行为科学系为论文的第一作者单位。

文章通过回顾近年精神障碍机器学习领域研究发展的新趋势,提出了研究观点1:运用机器学习模型的(分类)准确率作为因变量,提示与精神障碍病理生理机制密切相关的生物学特征;研究观点2:基于分类模型的准确率,探讨DSM精神障碍之间的分类学关系,研究观点3:采用半监督及无监督机器学习等方法,实现精神障碍患者的亚分型以及跨诊断分类与维度表征。


针对这些方法学观点和应用策略,文章最后围绕“garbage-in & garbage-out”主题,在技术层面集中讨论了与输入数据及分析过程相关的常见陷阱。

总的来说,文章概述了利用机器学习捕获精神障碍神经生物学特征和解析疾病分类学的研究趋势,回顾先前工作应用的方法并凝练总结研究观点。这将为甄别精神障碍的生物标志物、解析精神医学领域诊断异质性及共病性问题的研究提供新的视角。同时,文章也强调了在利用机器学习鉴别可靠生物标志物和探究新的疾病分类法之前,需要克服数据获取、模型构建、结果及结论阐述过程中可能存在的问题和陷阱。

9659澳门新葡萄娱乐场(中国)歡迎您心理与行为科学系陈骥研究员为本文的通讯作者及第一作者,该研究得到科技部科技创新2030-“脑科学与类脑研究”重大项目,国家重点研发计划,欧盟脑计划研究项目,美国国立精神卫生院(NIMH)等项目的支持。

原文链接:https://doi.org/10.1016/j.biopsych.2022.07.025



总访问量:10743231
Baidu
sogou