Classification of first-episode schizophrenia spectrum disorders and controls from whole brain white matter fractional anisotropy using machine learning
Notice bibliographique
Résumé
Background Schizophrenia is a chronic disorder with an early onset and high disease burden in terms of life disability. Its early recognition may delay the resulting brain structural/functional alterations and improve treatment outcomes. Unlike conventional group-statistics, machine-learning techniques made it possible to classify patients and controls based on the disease patterns on an individual level. Diagnostic classification in first-episode schizophrenia to date was mostly performed on sMRI or fMRI data. DTI modalities have not gained comparable attention. Methods We performed the classification of 77 FES patients and 77 healthy controls matched by age and sex from fractional anisotropy data from using linear support-vector machine (SVM). We further analyzed the effect of medication and symptoms on the classification performance using standard statistical measures ( t -test, linear regression) and machine learning (Kernel–Ridge regression). Results The SVM distinguished between patients and controls with significant accuracy of 62.34% ( P = 0.005). There was no association between the classification performance and medication nor symptoms. Group level statistical analysis yielded brain-wide significant differences in FA. Conclusion The SVM in combination with brain white-matter fractional anisotropy might help differentiate FES from HC. The performance of our classification model was not associated with symptoms or medications and therefore reflects trait markers in the early course of the disease. Disclosure of interest The authors have not supplied their declaration of competing interest.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».