Predicting depression risk in early adolescence via multimodal brain imaging
Notice bibliographique
Résumé
Depression is an incapacitating psychiatric disorder with increased risk through adolescence. Among other factors, children with family history of depression have significantly higher risk of developing depression. Early identification of pre-adolescent children who are at risk of depression is crucial for early intervention and prevention. In this study, we used 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 advanced machine learning methods to predict depression risk at the two-year follow-up from the baseline assessment, using a set of comprehensive multimodal neuroimaging features derived from structural MRI, diffusion tensor imaging, and task and rest functional MRI. Prediction performance underwent a rigorous cross-validation method of leave-one-site-out. Our results demonstrate that all brain features had prediction scores significantly better than expected by chance, with brain features from rest-fMRI showing the best classification performance in the high-risk group of participants with parental history of depression (N = 625). Specifically, rest-fMRI features, which came from functional connectomes, showed significantly better classification performance than other brain features. This finding highlights the key role of the interacting elements of the connectome in capturing more individual variability in psychopathology compared to measures of single brain regions. Our study contributes to the effort of identifying biological risks of depression in early adolescence in population-based samples.
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 | 0,062 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».