Neuroanatomical markers of psychotic experiences in adolescents: A machine-learning approach in a longitudinal population-based sample
Notice bibliographique
Résumé
It is important to identify accurate markers of psychiatric illness to aid early prediction of disease course. Subclinical psychotic experiences (PEs) are important risk factors for later mental ill-health and suicidal behaviour. This study used machine learning to investigate neuroanatomical markers of PEs in early and later stages of adolescence. Machine learning using logistic regression using Elastic Net regularization was applied to T1-weighted and diffusion MRI data to classify adolescents with subclinical psychotic experiences vs. controls across 3 timepoints (Time 1:11–13 years, n = 77; Time 2:14–16 years, n = 56; Time 3:18–20 years, n = 40). Neuroimaging data classified adolescents aged 11–13 years with current PEs vs. controls returning an AROC of 0.62, significantly better than a null model, p = 1.73e-29. Neuroimaging data also classified those with PEs at 18–20 years (AROC = 0.59;P = 7.19e-10) but performance was at chance level at 14–16 years (AROC = 0.50). Left hemisphere frontal regions were top discriminant classifiers for 11–13 years-old adolescents with PEs, particularly pars opercularis. Those with future PEs at 18–20 years-old were best distinguished from controls based on left frontal regions, right-hemisphere medial lemniscus, cingulum bundle, precuneus and genu of the corpus callosum (CC). Deviations from normal adolescent brain development in young people with PEs included an acceleration in the typical pattern of reduction in left frontal thickness and right parietal curvature, and accelerated progression of microstructural changes in right white matter and corpus callosum. These results emphasise the importance of multi-modal analysis for understanding adolescent PEs and provide important new insights into early phenotypes for psychotic experiences.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».