Везде

ОФЖурнал высшей нервной деятельности им. И.П. Павлова I.P. Pavlov Journal of Higher Nervous Activity

  • ISSN (Print) 0044-4677
  • ISSN (Online) 3034-5316

ПРИМЕНЕНИЕ МЕТОДА ФУНКЦИОНАЛЬНО ОДНОРОДНЫХ РЕГИОНОВ (FHR) ДЛЯ ВЫДЕЛЕНИЯ НАИБОЛЕЕ ИНФОРМАТИВНЫХ РЕГИОНОВ ГОЛОВНОГО МОЗГА ЧЕЛОВЕКА ДЛЯ БИНАРНОЙ КЛАССИФИКАЦИИ ШИЗОФРЕНИИ ПО ДАННЫМ ФУНКЦИОНАЛЬНОЙ МРТ В СОСТОЯНИИ ПОКОЯ

Вы можете
Код статьи
S30345316S0044467725040038-1
DOI
10.7868/S3034531625040038
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Пойда А.А.
  • Аффилиация: Национальный исследовательский центр «Курчатовский институт»
Козлов С.О.
  • Аффилиация: Национальный исследовательский центр «Курчатовский институт»
Жемчужников А.Д.
  • Аффилиация: Национальный исследовательский центр «Курчатовский институт»
Орлов В.А.
  • Аффилиация: Национальный исследовательский центр «Курчатовский институт»
Карташов С.И.
  • Аффилиация: Национальный исследовательский центр «Курчатовский институт»
Бравве Л.В.
  • Аффилиация: Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»
Кайдан М.А.
  • Аффилиация: Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»
Костюк Г.П.
  • Аффилиация: Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»
Том/ Выпуск
Том 75 / Номер выпуска 4
Страницы
420-434
Аннотация
В статье приведен результат анализа наиболее информативных регионов головного мозга для постановки диагноза шизофрении по данным функциональной магнитно-резонансной томографии (фМРТ) в состоянии покоя с использованием ранее разработанного авторами метода функционально однородных регионов (functionally homogeneous regions - FHR) и функционального атласа CONN. Анализ проведен на данных 32 испытуемых с диагнозом шизофрении и 36 человек из контрольной группы, полученных на томографе Siemens. Для проверки были использованы данные 19 пациентов и 29 человек из контрольной группы, полученные на томографе General Electric. Выявлено 8 наиболее информативных регионов. Проведенный анализ выделенных регионов показал, что изменение состава обучающей группы существенно влияет на список наиболее значимых регионов. В то же время анализ выделенных наиболее значимых регионов на повторяемость при варьировании состава испытуемых показал, что из 8 выделенных наиболее значимых регионов 4 имеют повторяемость выше 70%, 2 - от 50% до 70% и 2 - от 30% до 50%. Это может свидетельствовать о том, что выявленные регионы не случайны, и открывает перспективы для их дальнейшего углубленного анализа и определения значимости при постановке диагноза шизофрении. Проверка, проведенная на данных другого томографа, частично подтвердила повышенную значимость выделенных регионов для классификации патологии шизофрении, но идеального совпадения на наборах с разных томографов достигнуто не было.
Ключевые слова
автоматическая классификация шизофрении фМРТ состояние покоя методы машинного обучения
Дата публикации
21.04.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
17

Библиография

  1. 1. Жемчужников А.Д., Карташов С.И., Козлов С.О., Орлов В.А., Пойда А.А., Захарова Н.В., Бравве Л.В., Мамедова Г.Ш., Кайдан М.А. Поиск наиболее информативных регионов для бинарной классификации шизофрении по данным фМРТ состояния покоя на основе метода выделения функционально однородных регионов. Журнал высшей нервной деятельности им. И.П. Павлова. 2024. Т. 74. №4. C. 412-425. doi: 10.31857/S0044467724040035
  2. 2. Солохина Т., Ошевский Д., Бархатова А., Кузьминова М., Тюменкова Г., Алиева Л., Штейнберг А., Чуркина А. Самостигматизации у пациентов с эндогенными психическими расстройствами: кроссекционное сравнительное исследование. Consortium Psychiatricum. 2024. Т. 5. №1. C. 13--26. doi: 10.17816/CP15485
  3. 3. Algumaei A.H., Algunaid R.F., Rushdi M.A., Yassine I.A. Feature and decision-level fusion for schizophrenia detection based on resting-state fMRI data. PLOS ONE 2022. 17, e0265300. https://doi.org/10.1371/journal.pone.0265300
  4. 4. Blinowska K.J. Review of the methods of determination of directed connectivity from multichannel data. Medical & Biological Engineering & Computing. 2011. 49. 521-529. https://doi.org/10.1007/s11517-011-0739-x
  5. 5. Du Y., Fu Z, Sui J., Gao S., Xing Y., Lin D., Salman M., Abrol A., Rahaman M.A., Chen J., Hong L.E., Kochunov P., Osuch E.A., Calhoun V.D.; Alzheimer’s Disease Neuroimaging Initiative. NeuroMark: An automated and adaptive ICA based pipeline to identify reproducible fMRI markers of brain disorders. Neuroimage Clin. 2020; 28:102375. Epub 2020 Aug 11. PMID: 32961402; PMCID: PMC7509081. doi: 10.1016/j.nicl.2020.102375
  6. 6. Eklund A., Dufort P., Villani M., Laconte S. BROCCOLI: Software for fast fMRI analysis on many-core CPUs and GPUs. Front Neuroinform. 2014 Mar 14;8:24. doi: 10.3389/fninf.2014.00024
  7. 7. Freund Y., Schapire R.E. A Short Introduction to Boosting. Journal of Japanese Society of Artificial Intelligence, Vol. 14, No. 5, 1999, pp. 771-780.
  8. 8. Jiang Y., Palaniyappan L., Luo C., Chang X., Zhang J., Tang Y., Zhang T., Li C., Zhou E., Yu X., Li W., An D., Zhou D., Huang C.C., Tsai S.J., Lin C.P., Cheng J., Wang J., Yao D., Cheng W., Feng J.; ZIB Consortium. Neuroimaging epicenters as potential sites of onset of the neuroanatomical pathology in schizophrenia. Sci Adv. 2024 Jun 14;10(24):eadk6063. Epub 2024 Jun 12. PMID: 38865456; PMCID: PMC11168466. doi: 10.1126/sciadv.adk6063
  9. 9. Kozlov S., Poyda A., Orlov V., Sharaev M., Ushakov V. Selection of Functionally Homogeneous Human Brain Regions for Functional Connectomes Building Based on fMRI Data. Advances in intelligent systems and computing. 2021. 1358. 709-719. https://doi.org/10.1007/978-3-030-71637-0_82
  10. 10. Lauer M., Senitz D., Beckmann H. Increased volume of the nucleus accumbens in schizophrenia. J Neural Transm (Vienna). 2001;108 (6):645-60. PMID: 11478417. https://doi.org/10.1007/s007020170042
  11. 11. Nie Y., Murad T., Miao H.Y., Bhattarai P., Thakuri D.S., Chand G.B. Characterizing multivariate regional hubs for schizophrenia classification, sex differences, and brain age estimation using explainable AI. medRxiv [Preprint]. 2025 Mar 4:2025.02.28.25323105. PMID: 40093221; PMCID: PMC11908315. doi: 10.1101/2025.02.28.25323105
  12. 12. Nieto-Castanon A., Whitfield-Gabrieli S. CONN functional connectivity toolbox: RRID SCR_009550, release 22. 2022. https://doi.org/10.56441/hilbertpress.2246.5840
  13. 13. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Müller A., Nothman J., Louppe G., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine Learning in Python [WWW Document]. arXiv.org. 2018. https://doi.org/10.48550/arXiv.1201.0490
  14. 14. Shen C.L., Tsai S.J., Lin C.P., Yang A.C. Progressive brain abnormalities in schizophrenia across different illness periods: a structural and functional MRI study. Schizophrenia (Heidelb). 2023 Jan 5; 9(1): 2. PMID: 36604437; PMCID: PMC9816110. doi: 10.1038/s41537-022-00328-7
  15. 15. Solmi M., Seitidis G., Mavridis D., Correll C.U., Dragioti E., Guimond S., Tuominen L., Dargél A., Carvalho A.F., Fornaro M., Maes M., Monaco F., Song M., Il Shin J., Cortese S. Incidence, prevalence, and global burden of schizophrenia - data, with critical appraisal, from the Global Burden of Disease (GBD) 2019. Mol Psychiatry. 2023. 28. 5319-5327. https://doi.org/10.1038/s41380-023-02138-4
  16. 16. Tohid H., Faizan M., Faizan U. Alterations of the occipital lobe in schizophrenia. Neurosciences (Riyadh). 2015 Jul; 20 (3): 213-24.PMID: 26166588; PMCID: PMC4710336. https://doi.org/10.17712/nsj.2015.3.20140757
  17. 17. Voineskos A.N., Hawco C., Neufeld N.H., Turner J.A., Ameis S.H., Anticevic A., Buchanan R.W., Cadenhead K., Dazzan P., Dickie E.W., Gallucci J., Lahti A.C., Malhotra A.K., Öngür D., Lencz T., Sarpal D.K., Oliver L.D. Functional magnetic resonance imaging in schizophrenia: current evidence, methodological advances, limitations and future directions. World Psychiatry. 2024 Feb; 23(1): 26-51. PMID: 38214624; PMCID: PMC10786022. doi: 10.1002/wps.21159.
  18. 18. Zang Y., Jiang T., Lu Y., He Y., Tian L. Regional homogeneity approach to fMRI data analysis. NeuroImage. 2004. 22. 394-400. https://doi.org/10.1016/j.neuroimage.2003.12.030
  19. 19. Zhang J., Rao V.M., Tian Y. et al. Detecting schizophrenia with 3D structural brain MRI using deep learning. Sci Rep 13, 14433 (2023). https://doi.org/10.1038/s41598-023-41359-z
  20. 20. Zheng J., Wei X., Wang J., Lin H., Pan H., Shi Y. Diagnosis of Schizophrenia Based on Deep Learning Using fMRI. Comput Math Methods Med. 2021 Nov 9; 2021: 8437260. PMID: 34795793; PMCID: PMC8594998. doi: 10.1155/2021/8437260
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека