Using brain structural neuroimaging measures to predict psychosis onset for individuals at clinical high-risk
Notice bibliographique
Résumé
Machine learning approaches using structural magnetic resonance imaging (sMRI) can be informative for disease classification, although their ability to predict psychosis is largely unknown. We created a model with individuals at CHR who developed psychosis later (CHR-PS+) from healthy controls (HCs) that can differentiate each other. We also evaluated whether we could distinguish CHR-PS+ individuals from those who did not develop psychosis later (CHR-PS-) and those with uncertain follow-up status (CHR-UNK). T1-weighted structural brain MRI scans from 1165 individuals at CHR (CHR-PS+, n = 144; CHR-PS-, n = 793; and CHR-UNK, n = 228), and 1029 HCs, were obtained from 21 sites. We used ComBat to harmonize measures of subcortical volume, cortical thickness and surface area data and corrected for non-linear effects of age and sex using a general additive model. CHR-PS+ (n = 120) and HC (n = 799) data from 20 sites served as a training dataset, which we used to build a classifier. The remaining samples were used external validation datasets to evaluate classifier performance (test, independent confirmatory, and independent group [CHR-PS- and CHR-UNK] datasets). The accuracy of the classifier on the training and independent confirmatory datasets was 85% and 73% respectively. Regional cortical surface area measures-including those from the right superior frontal, right superior temporal, and bilateral insular cortices strongly contributed to classifying CHR-PS+ from HC. CHR-PS- and CHR-UNK individuals were more likely to be classified as HC compared to CHR-PS+ (classification rate to HC: CHR-PS+, 30%; CHR-PS-, 73%; CHR-UNK, 80%). We used multisite sMRI to train a classifier to predict psychosis onset in CHR individuals, and it showed promise predicting CHR-PS+ in an independent sample. The results suggest that when considering adolescent brain development, baseline MRI scans for CHR individuals may be helpful to identify their prognosis. Future prospective studies are required about whether the classifier could be actually helpful in the clinical settings.
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 | 0,001 | 0,008 |
| 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 | 0,001 | 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 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 ».