A Machine Learning Algorithm to Discriminating Between Bipolar and Major Depressive Disorders Based on Resting EEG Data
Notice bibliographique
Résumé
Distinguishing major depressive disorder (MDD) from bipolar disorder (BD) is a crucial clinical challenge due to the lack of known biomarkers. Conventional methods of diagnosis rest exclusively on symptomatic presentation, and personal and family history. As a result, BD-depressed episode (BD-DE) is often misdiagnosed as MDD, and inappropriate therapy is given. Electroencephalography (EEG) has been widely studied as a potential source of biomarkers to differentiate these disorders. Previous attempts using machine learning (ML) methods have delivered insufficient sensitivity and specificity for clinical use, likely as a consequence of the small training set size, and inadequate ML methodology. We hope to overcome these limitations by employing a training dataset of resting-state EEG from 71 MDD and 71 BD patients. We introduce a robust 3 steps ML technique: 1) a multi-step preprocessing method is used to improve the quality of the EEG signal 2) symbolic transfer entropy (STE), which is an effective connectivity measure, is applied to the resultant EEG signals 3) the ML algorithm uses the extracted STE features to distinguish MDD from BD patients. Clinical Relevance--- The accuracy of our algorithm, derived from a large sample of patients, suggests that this method may hold significant promise as a clinical tool. The proposed method delivered total accuracy, sensitivity, and specificity of 84.9%, 83.4%, and 87.1%, respectively.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».