Using structural MRI to identify individuals at genetic risk for bipolar disorders: a 2-cohort, machine learning study
Notice bibliographique
Résumé
BACKGROUND: Brain imaging is of limited diagnostic use in psychiatry owing to clinical heterogeneity and low sensitivity/specificity of between-group neuroimaging differences. Machine learning (ML) may better translate neuroimaging to the level of individual participants. Studying unaffected offspring of parents with bipolar disorders (BD) decreases clinical heterogeneity and thus increases sensitivity for detection of biomarkers. The present study used ML to identify individuals at genetic high risk (HR) for BD based on brain structure. METHODS: We studied unaffected and affected relatives of BD probands recruited from 2 sites (Halifax, Canada, and Prague, Czech Republic). Each participant was individually matched by age and sex to controls without personal or family history of psychiatric disorders. We applied support vector machines (SVM) and Gaussian process classifiers (GPC) to structural MRI. RESULTS: We included 45 unaffected and 36 affected relatives of BD probands matched by age and sex on an individual basis to healthy controls. The SVM of white matter distinguished unaffected HR from control participants (accuracy = 68.9%, p = 0.001), with similar accuracy for the GPC (65.6%, p = 0.002) or when analyzing data from each site separately. Differentiation of the more clinically heterogeneous affected familiar group from healthy controls was less accurate (accuracy = 59.7%, p = 0.05). Machine learning applied to grey matter did not distinguish either the unaffected HR or affected familial groups from controls. The regions that most contributed to between-group discrimination included white matter of the inferior/middle frontal gyrus, inferior/middle temporal gyrus and precuneus. LIMITATIONS: Although we recruited 126 participants, ML benefits from even larger samples. CONCLUSION: Machine learning applied to white but not grey matter distinguished unaffected participants at high and low genetic risk for BD based on regions previously implicated in the pathophysiology of BD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».