Utilizing Deep Learning and SVM Models for Schizophrenia Detection and Symptom Severity Estimation Through Structural MRI
Notice bibliographique
Résumé
The automated diagnosis of schizophrenia utilizing Magnetic Resonance Imaging (MRI) has been the subject of numerous investigations, the majority of which have primarily directed their focus towards disorder detection.This study, however, aims to transcend detection, endeavoring to estimate the severity of schizophrenia symptoms by leveraging structural MRI data.Such capabilities are anticipated to enhance the monitoring of treatment efficacy, guide clinical decision-making, and ultimately contribute to improved schizophrenia management.MRI datasets for schizophrenia patients (23) and control subjects (20) were sourced from the OpenNeuro database.Each structural MRI was processed to extract a grayscale image, which was then segmented into White Matter (WM), Gray Matter (GM), and Cerebrospinal Fluid (CSF).Statistical attributes-such as standard deviation, moment, and skewness-were derived from each segment to form feature representations of the grayscale images.An SVM with a linear kernel was trained, distinguishing schizophrenia subjects from healthy controls.Furthermore, for the schizophrenia subjects, the sums of their respective Scale for the Assessment of Positive Symptoms (SAPS) and Scale for the Assessment of Negative Symptoms (SANS) scores were computed.A twelve-layer artificial neural network (ANN) was then trained to estimate these symptom severity scores.The SVM model achieved optimal classification accuracy at 81.8%, while the ANN demonstrated a correlation coefficient of 0.811 and a mean absolute error of 1.44 on the validation dataset.This performance surpasses that of a comparable study estimating schizophrenia symptom severity from electroencephalogram (EEG) data, which yielded correlation coefficients ranging from -0.6 to -0.702.The paper concludes with a proposed software architecture for practical application of these findings.
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 | 0,002 | 0,003 |
| 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 | 0,001 |
| 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 ».