Towards a machine‐learning assisted diagnosis of psychiatric disorders and their operationalization in preclinical research: Evidence from studies on addiction‐like behaviour in individual rats
Notice bibliographique
Résumé
Over the last few decades, there has been a progressive transition from a categorical to a dimensional approach to psychiatric disorders. Especially in the case of substance use disorders, interest in the individual vulnerability to transition from controlled to compulsive drug taking warrants the development of novel dimension-based objective stratification tools. Here we drew on a multidimensional preclinical model of addiction, namely the 3-criteria model, previously developed to identify the neurobehavioural basis of the individual's vulnerability to switch from controlled to compulsive drug taking, to test a machine-learning assisted classifier objectively to identify individual subjects as vulnerable/resistant to addiction. Datasets from our previous studies on addiction-like behaviour for cocaine or alcohol were fed into a variety of machine-learning algorithms to develop a classifier that identifies resilient and vulnerable rats with high precision and reproducibility irrespective of the cohort to which they belong. A classifier based on K-median or K-mean-clustering (for cocaine or alcohol, respectively) followed by artificial neural networks emerged as a highly reliable and accurate tool to predict if a single rat is vulnerable/resilient to addiction. Thus, each rat previously characterized as displaying 0-criterion (i.e., resilient) or 3-criteria (i.e., vulnerable) in individual cohorts was correctly labelled by this classifier. The present machine-learning-based classifier objectively labels single individuals as resilient or vulnerable to developing addiction-like behaviour in a multisymptomatic preclinical model of addiction-like behaviour in rats. This novel dimension-based classifier increases the heuristic value of these preclinical models while providing proof of principle to deploy similar tools for the future of diagnosis of psychiatric disorders.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».