Identifying neuroimaging biomarkers of major depressive disorder from cortical hemodynamic responses using machine learning approaches
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Early diagnosis of major depressive disorder (MDD) could enable timely interventions and effective management which subsequently improve clinical outcomes. However, quantitative and objective assessment tools for the suspected cases who present with depressive symptoms have not been fully established. METHODS: Based on a large-scale dataset (n = 363 subjects) collected with functional near-infrared spectroscopy (fNIRS) measurements during the verbal fluency task (VFT), this study proposed a data representation method for extracting spatiotemporal characteristics of NIRS signals, which emerged as candidate predictors in a two-phase machine learning framework to detect distinctive biomarkers for MDD. Supervised classifiers (e.g., support vector machine (SVM), k-nearest neighbors (KNN)) cooperated with cross-validation were implemented to evaluate the predictive capability of selected features in a training set. Another test set that was not involved in developing the algorithms enabled the independent assessment of the model's generalization. FINDINGS: For the classification with the optimal fusion features, the SVM classifier achieved the highest accuracy of 75.6% ± 4.7% in the nested cross-validation, and the correct prediction rate of 78.0% with a sensitivity of 75.0% and a specificity of 81.4% in the test set. Moreover, the multiway ANOVA test on clinical and demographic factors confirmed that twenty out of 39 optimal features were significantly correlated with the MDD-distinctive consequence. INTERPRETATION: The abnormal prefrontal activity of MDD may be quantified as diminished relative intensity and inappropriate activation timing of hemodynamic response, resulting in an objectively measurable biomarker for assessing cognitive deficits and screening MDD at the early stage. FUNDING: This study was funded by NUS iHeathtech Other Operating Expenses (R-722-000-004-731).
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle