Resumen

Utilizar la neuroimagen y el aprendizaje automático (ML) para diferenciar a los pacientes con esquizofrenia (SZ) de los controles normales (NC) y para detectar regiones cerebrales anormales en la esquizofrenia tiene varios beneficios y puede proporcionar una referencia para el diagnóstico clínico de la esquizofrenia. En este estudio, se utilizaron imágenes de resonancia magnética estructural (sMRIs) de pacientes con SZ y NCs para el análisis discriminativo. Este estudio propuso un marco de trabajo ML basado en la selección de características gruesas a finas. El marco propuesto utilizó pruebas t de dos muestras para extraer las diferencias entre los grupos primero, luego eliminó las características no relevantes y redundantes con la eliminación recursiva de características (RFE), y finalmente utilizó la máquina de vectores de apoyo (SVM) para aprender los modelos de decisión con características seleccionadas de materia gris (GM) y materia blanca (WM). Los estudios anteriores han tendido a informar de las diferencias a nivel de grupo en lugar de a nivel individual y no pueden aplicarse ampliamente. El método propuesto en este estudio extiende el diagnóstico al nivel individual y tiene una tasa de reconocimiento más alta que los métodos anteriores. Los resultados experimentales de este estudio demuestran que el marco propuesto distingue a los pacientes de SZ de los de NC, con una precisión de clasificación que supera el 85%. Los biomarcadores identificados también coinciden con los hallazgos de la literatura anterior. Como método universal, el marco propuesto puede extenderse para diagnosticar otras enfermedades.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:marco propuesto, pacientes con esquizofrenia, nivel individual, estudio, mayor precisión de clasificación, eliminación de características recursivas, materia gris seleccionada, diagnóstico de esquizofrenia, región cerebral anormal, hallazgo de la literatura anterior
• Keywords:proposed framework, sz patients, individual level, study, highest classification accuracy, recursive features elimination, selected gray matter, diagnosis of schizophrenia, abnormal brain region, previous literature finding