Predicting depression risk in early adolescence via multimodal brain imaging
Notice bibliographique
Résumé
Depression is an incapacitating psychiatric disorder with high prevalence in adolescent populations that is influenced by many risk factors, including family history of depression. The ability to predict who may develop depression before adolescence, when rates of depression increase markedly, is important for early intervention and prevention. Using a large longitudinal sample from the Adolescent Brain Cognitive Development (ABCD) Study (2658 participants after imaging quality control, between 9-10 years at baseline), we applied machine learning methods on a set of comprehensive multimodal neuroimaging features to predict depression risk at the two-year follow-up from the baseline visit. Features include derivatives from structural MRI, diffusion tensor imaging, and task and rest functional MRI. A rigorous cross-validation method of leave-one-site-out was used. Additionally, we tested the prediction models in a high-risk group of participants with parental history of depression (N=625). The results showed all brain features had prediction scores significantly better than expected by chance. When predicting depression onset in the high-risk group, brain features from resting-state functional connectomes showed the best classification performance, outperforming other brain features based on structural MRI and task-based fMRI. Results demonstrate that the functional connectivity of the brain can predict the risk of depression in early adolescence better than other univariate neuroimaging derivatives, highlighting the key role of the interacting elements of the connectome capturing more individual variability in psychopathology compared to measures of single brain regions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».