Identifying misdiagnosed bipolar disorder using support vector machine: feature selection based on fMRI of follow-up confirmed affective disorders
Notice bibliographique
Résumé
Nearly a quarter of bipolar disorder (BD) patients were misdiagnosed as major depressive disorder (MDD) patients, which cannot be corrected until mania/hypomania develops. It is important to recognize these obstacles so that the appropriate treatment can be initiated. Thus, we sought to distinguish patients with BD from MDD, especially to identify misdiagnosed BD before mania/hypomania, and further explore potential trait features that allow accurate differential diagnosis independent of state matters. Functional magnetic resonance imaging scans were performed at baseline on 92 MDD patients and 48 BD patients. The MDD patients were then followed up for more than two years. After follow-up, 23 patients transformed into BD (tBD), and 69 patients whose diagnoses remained unchanged were eligible for unipolar depression (UD). A support vector machine classifier was trained on the amygdala-based functional connectivity (FC) of 48 BD and 50 UD patients using a novel region-based feature selection. Then, the classifier was tested on the dataset, encompassing tBD and the remaining UD. It performed well for known BD and UD and can also distinguish tBD from UD with an accuracy of 81%, sensitivity of 82.6%, specificity of 79%, and AUC of 74.6%, respectively. Feature selection results revealed that ten regions within the cortico-limbic neural circuit contributed most to classification. Furthermore, in the FC comparisons among diseases, BD and tBD shared almost overlapped FC patterns in the cortico-limbic neural circuit, and both of them presented pronounced differences in most regions within the circuit compared with UD. The FC values of the most discriminating brain regions had no prominent correlations with the severity of depression, anxiety, and mania/hypomania (FDR correction). It suggests that BD possesses some trait features in the cortico-limbic neural circuit, rendering it dichotomized by the classifier based on known-diagnosis data.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 tête enseignante, 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 ».