基于精神影像和人工智能的抑郁症客观生物学标志物研究进展

被引：19

作者：

孙也婷 ^{[1
,2
]}

陈桃林 ^{[1
,3
]}

何度 ^{[4
]}

董再全 ^{[5
]}

程勃超 ^{[6
]}

王淞 ^{[1
]}

汤万杰 ^{[5
]}

况伟宏 ^{[5
]}

龚启勇 ^{[1
]}

机构：

[1] 四川大学华西医院放射科华西磁共振研究中心

[2] 四川大学华西临床医学院

[3] 四川大学公共管理学院社会学与心理学系

[4] 四川大学华西医院病理科

[5] 四川大学华西心理卫生中心

[6] 四川大学华西第二医院放射科

来源：

生物化学与生物物理进展 | 2019年 / 46卷 / 09期

基金：

中国博士后科学基金;

关键词：

抑郁症; 脑成像; 精神影像学; 人工智能; 机器学习; 深度学习; 生物学标志物;

D O I：

10.16476/j.pibb.2019.0025

中图分类号：

R749.4 [情感性精神病];

学科分类号：

摘要：

抑郁症是当今社会上造成首要危害且病因和病理机制最为复杂的精神疾病之一,寻找抑郁症的客观生物学标志物一直是精神医学研究和临床实践的重点和难点,而结合人工智能技术的磁共振影像(magnetic resonance imaging,MRI)技术被认为是目前抑郁症等精神疾病中最有可能率先取得突破进展的客观生物学标志物.然而,当前基于精神影像学的潜在抑郁症客观生物学标志物还未得到一致结论 .本文从精神影像学和以机器学习(machine learning,ML)与深度学习(deep learning, DL)等为代表的人工智能技术相结合的角度,首次从疾病诊断、预防和治疗等三大临床实践环节对抑郁症辅助诊疗的相关研究进行归纳分析,我们发现:a.具有诊断价值的脑区主要集中在楔前叶、扣带回、顶下缘角回、脑岛、丘脑以及海马等;b.具有预防价值的脑区主要集中在楔前叶、中央后回、背外侧前额叶、眶额叶、颞中回等;c.具有预测治疗反应价值的脑区主要集中在楔前叶、扣带回、顶下缘角回、额中回、枕中回、枕下回、舌回等.未来的研究可以通过多中心协作和数据变换提高样本量,同时将多元化的非影像学数据应用于数据挖掘,这将有利于提高人工智能模型的辅助分类能力,为探寻抑郁症的精神影像学客观生物学标志物及其临床应用提供科学证据和参考依据.

引用

页码：879 / 899

页数：21

共 61 条

[1]

Automated EEG-based screening of depression using deep convolutional neural network[J] . U. Rajendra Acharya,Shu Lih Oh,Yuki Hagiwara,Jen Hong Tan,Hojjat Adeli,D. P Subha.Computer Methods and Programs in Biomedicine . 2018

[2]

Machine Learning Approaches for Clinical Psychology and Psychiatry[J] . Dominic B. Dwyer,Peter Falkai,Nikolaos Koutsouleris.Annual Review of Clinical Psychology . 2018

[3]

Identification of autism spectrum disorder using deep learning and the ABIDE dataset[J] . Anibal Sólon Heinsfeld,Alexandre Rosa Franco,R. Cameron Craddock,Augusto Buchweitz,Felipe Meneguzzi.NeuroImage: Clinical . 2018

[4]

Neuroimaging biomarkers as predictors of treatment outcome in Major Depressive Disorder[J] . Trehani M. Fonseka,Glenda M. MacQueen,Sidney H. Kennedy.Journal of Affective Disorders . 2018

[5]

Predicting cognitive decline with deep learning of brain metabolism and amyloid imaging[J] . Hongyoon Choi,Kyong Hwan Jin.Behavioural Brain Research . 2018

[6]

3D fully convolutional networks for subcortical segmentation in MRI: A large-scale study[J] . Jose Dolz,Christian Desrosiers,Ismail Ben Ayed.NeuroImage . 2018

[7] Holistic classification of CT attenuation patterns for interstitial lung diseases via deep convolutional neural networks [J].

Gao, Mingchen ;

Bagci, Ulas ;

Lu, Le ;

Wu, Aaron ;

Buty, Mario ;

Shin, Hoo-Chang ;

Roth, Holger ;

Papadakis, Georgios Z. ;

Depeursinge, Adrien ;

Summers, Ronald M. ;

Xu, Ziyue ;

Mollura, Daniel J. .

COMPUTER METHODS IN BIOMECHANICS AND BIOMEDICAL ENGINEERING-IMAGING AND VISUALIZATION, 2018, 6 (01) :1-6

[8]

Deep Learning in Medical Image Analysis[J] . Dinggang Shen,Guorong Wu,Heung-Il Suk.Annual Review of Biomedical Engineering . 2017

[9]

Applying deep neural networks to unstructured text notes in electronic medical records for phenotyping youth depression[J] . Joseph Geraci,Pamela Wilansky,Vincenzo de Luca,Anvesh Roy,James L Kennedy,John Strauss.Evidence-Based Mental Health . 2017 (3)

[10] Predicting mental conditions based on "history of present illness" in psychiatric notes with deep neural networks [J].

Tung Tran ;

Kavuluru, Ramakanth .

JOURNAL OF BIOMEDICAL INFORMATICS, 2017, 75 :S138-S148

← 1 2 3 4 5 6 7 →