Convolutional Neural Network–Based Deep Learning Model for Predicting Differential Suicidality in Depressive Patients Using Brain Generalized q-Sampling Imaging
Notice bibliographique
Résumé
OBJECTIVE: Suicide is a priority health problem. Suicide assessment depends on imperfect clinician assessment with minimal ability to predict the risk of suicide. Machine learning/deep learning provides an opportunity to detect an individual at risk of suicide to a greater extent than clinician assessment. The present study aimed to use deep learning of structural magnetic resonance imaging (MRI) to create an algorithm for detecting suicidal ideation and suicidal attempts. METHODS: We recruited 4 groups comprising a total of 186 participants: 33 depressive patients with suicide attempt (SA), 41 depressive patients with suicidal ideation (SI), 54 depressive patients without suicidal thoughts (DP), and 58 healthy controls (HCs). The confirmation of depressive disorder, SA and SI was based on psychiatrists' diagnosis and Mini-International Neuropsychiatric Interview (MINI) interviews. In the generalized q-sampling imaging (GQI) dataset, indices of generalized fractional anisotropy (GFA), the isotropic value of the orientation distribution function (ISO), and normalized quantitative anisotropy (NQA) were separately trained in convolutional neural network (CNN)-based deep learning and DenseNet models. RESULTS: From the results of 5-fold cross-validation, the best accuracies of the CNN classifier for predicting SA, SI, and DP against HCs were 0.916, 0.792, and 0.589, respectively. In SA-ISO, DenseNet outperformed the simple CNNs with a best accuracy from 5-fold cross-validation of 0.937. In SA-NQA, the best accuracy was 0.915. CONCLUSIONS: The results showed that a deep learning method based on structural MRI can effectively detect individuals at different levels of suicide risk, from depression to suicidal ideation and attempted suicide. Further studies from different populations, larger sample sizes, and prospective follow-up studies are warranted to confirm the utility of deep learning methods for suicide prevention and intervention.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».