Dimensional and Categorical Solutions to Parsing Depression Heterogeneity in a Large Single-Site Sample
Notice bibliographique
Résumé
Abstract Background Recent studies have reported significant advances in modeling the biological basis of heterogeneity in major depressive disorder (MDD), but investigators have also identified important technical challenges, including scanner-related artifacts, a propensity for multivariate models to overfit, and a need for larger samples with deeper clinical phenotyping. The goals of this work were to develop and evaluate dimensional and categorical solutions to parsing heterogeneity in depression that are stable and generalizable in a large, deeply phenotyped, single-site sample. Methods We used regularized canonical correlation analysis (RCCA) to identify data-driven brain-behavior dimensions explaining individual differences in depression symptom domains in a large, single-site dataset comprising clinical assessments and resting state fMRI data for N=328 patients with MDD and N=461 healthy controls. We examined the stability of clinical loadings and model performance in held-out data. Finally, hierarchical clustering on these dimensions was used to identify categorical depression subtypes Results The optimal RCCA model yielded three robust and generalizable brain-behavior dimensions explaining individual differences in depressed mood and anxiety, anhedonia, and insomnia. Hierarchical clustering identified four depression subtypes, each with distinct clinical symptom profiles, abnormal RSFC patterns, and antidepressant responsiveness to repetitive transcranial magnetic stimulation. Conclusions Our results define dimensional and categorical solutions to parsing neurobiological heterogeneity in MDD that are stable, generalizable, and capable of predicting treatment outcomes, each with distinct advantages in different contexts. They also provide additional evidence that RCCA and hierarchical clustering are effective tools for investigating associations between functional connectivity and clinical symptoms.
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 | 0,011 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».