Identifying and validating subtypes within major psychiatric disorders based on frontal–posterior functional imbalance via deep learning
Notice bibliographique
Résumé
Converging evidence increasingly implicates shared etiologic and pathophysiological characteristics among major psychiatric disorders (MPDs), such as schizophrenia (SZ), bipolar disorder (BD), and major depressive disorder (MDD). Examining the neurobiology of the psychotic-affective spectrum may greatly advance biological determination of psychiatric diagnosis, which is critical for the development of more effective treatments. In this study, ensemble clustering was developed to identify subtypes within a trans-diagnostic sample of MPDs. Whole brain amplitude of low-frequency fluctuations (ALFF) was used to extract the low-dimensional features for clustering in a total of 944 participants: 581 psychiatric patients (193 with SZ, 171 with BD, and 217 with MDD) and 363 healthy controls (HC). We identified two subtypes with differentiating patterns of functional imbalance between frontal and posterior brain regions, as compared to HC: (1) Archetypal MPDs (60% of MPDs) had increased frontal and decreased posterior ALFF, and decreased cortical thickness and white matter integrity in multiple brain regions that were associated with increased polygenic risk scores and enriched risk gene expression in brain tissues; (2) Atypical MPDs (40% of MPDs) had decreased frontal and increased posterior ALFF with no associated alterations in validity measures. Medicated Archetypal MPDs had lower symptom severity than their unmedicated counterparts; whereas medicated and unmedicated Atypical MPDs had no differences in symptom scores. Our findings suggest that frontal versus posterior functional imbalance as measured by ALFF is a novel putative trans-diagnostic biomarker differentiating subtypes of MPDs that could have implications for precision medicine.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».