论文部分内容阅读
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%和72.6%，优于同指标下准确率分别为67.1%和65.1%的DNN分类模型，且使用ReHo指标构建的分类模型准确率相对优于低频振幅指标；同时基于SVM分类模型使用ReHo指标显示枕叶（枕中回、枕上回、舌回）、海马、丘脑等为识别双相障碍的关键脑区，且准确率均高于65.0%。
结论基于ReHo指标的DCNN分类模型可用于双相障碍的辅助诊断；同时枕叶、海马、丘脑可能是辅助识别双相障碍的关键影像学特征脑区。