DMN

使用多级静止状态fMRI特征

精神分裂症研究表明，该组中所有死亡原因中多达40％可以归因于自杀（Wildgust等，2010），而25-50％的精神分裂症患者试图在他们的一生中自杀（Bohaterewicz等人，2018年； Cassidy等，2018年）。因此，非常需要开发更准确和客观的方法来预测精神分裂症患者自杀的风险。功能磁共振成像（fMRI）是一种非侵入性，广泛使用的方法，允许一种方法来测量人脑的活性。静止状态（RS）反过来被认为是高度有效的，因为它捕获了大脑总活动的60-80％（Smitha等，2017）。此外，一些研究表明，它允许监测治疗结果以及评估精神疾病的生物标志物（Glover，2011; Moghimi等，2018）。Previous studies indicate gray matter volume reduction in dorsolateral prefrontal cortex (DLPFC), superior temporal gyrus, as well as insular cortex in patients after suicide attempt, compared to the ones without suicide attempt in the past ( Besteher et al., 2016 ; Zhang et al., 2020 ), whereas fMRI studies revealed that during a simple task based on cognitive control, suicide thoughts were associated随着PFC活性的降低和先前的自杀企图的病史导致前皮层的活性降低（Minzenberg等，2014； Potvin等，2018）。体积和功能任务的先前结果fMRI分析表明，默认模式网络（DMN），显着性网络（SN）和Sensorimotor Network（SMN）中包含的区域的潜在静止状态大脑活动变化。近年来，RSFMRI数据的机器学习应用程序越来越多，以进行预后评估并在各个组或条件之间进行差异（Pereira等，2009）。最近，采用了以fMRI为公正的生物标志物的ML分类器来识别从事自杀相关行为的人，包括自杀念头。例如，Just等。（2017）能够正确地识别17名自杀参与者中的15个，灵敏度为0.88，使用高斯幼稚的贝叶斯算法和fMRI数据的特定为0.94。在最近的工作中，Gosnell等人。（2019）使用了随机森林（RF）算法和RSFMRI功能连通性数据，来自精神病患者，使他们能够以81.3％的敏感性正确地对自杀行为进行了分类。据我们所知，先前的研究都没有集中于各种ML分类器，以区分基于RSFMRI数据的健康控制（HCS），自杀风险（SR）和非杀伤性风险（NSR）精神分裂症患者。 在当前的工作中，我们的目标是将ML方法与RSFMRI数据相结合，以便研究所选的分类器是否允许在具有和没有自杀风险的精神分裂症患者之间进行分歧。 最终，执行了五种算法，例如梯度提升（GB），最小绝对收缩和选择操作员（LASSO），Logistic回归（LR），RF和支持向量机（SVM），以提高诊断准确性的可靠性。 每个指标礼物据我们所知，先前的研究都没有集中于各种ML分类器，以区分基于RSFMRI数据的健康控制（HCS），自杀风险（SR）和非杀伤性风险（NSR）精神分裂症患者。在当前的工作中，我们的目标是将ML方法与RSFMRI数据相结合，以便研究所选的分类器是否允许在具有和没有自杀风险的精神分裂症患者之间进行分歧。最终，执行了五种算法，例如梯度提升（GB），最小绝对收缩和选择操作员（LASSO），Logistic回归（LR），RF和支持向量机（SVM），以提高诊断准确性的可靠性。每个指标礼物