越来越明显的是,结果的低再现性是生物医学和心理学等许多科学领域中普遍存在的问题。在使用功能磁共振成像(fMRI)数据的生物医学研究中,该问题尤其严重。越来越多的研究报告成功地构建了机器学习算法(人工智能),该算法使用fMRI数据将受试者分类为健康或患有精神疾病。
然而,有人建议,如果这些分类器是由来自单个站点的少量样本(例如,数十个参与者)构建的,则可能无法将其应用推广到从其他成像站点获取的数据。这种低泛化能力的解决方案是在许多站点上收集大数据,但fMRI数据中与站点相关的大量差异是该解决方案可行性的一个难以克服的障碍。
目前的研究发表在期刊上PLOS Biology揭示了fMRI数据中与位点相关的差异的重要机制,并为静息状态fMRI(rs-fMRI)数据开发了有效的协调方法(即减少与位点相关的差异),从而将这些差异减少了30% 。此外,该研究小组公开发布了一个神经影像数据库,其中部分数据库用于本研究。该数据库在数千名患有多种精神疾病的人的多站点神经影像数据库方面具有国际独特性。他们的研究和数据集为加速我们对精神疾病背后神经机制的理解以及各种疾病的神经成像生物标志物的发展提供了创新途径。
该研究小组收集了一个旅行主题rs-fMRI数据集,其中9名参与者前往12个地点,以及一个多地点,多疾病rs-fMRI数据集,其中805名参与者患有4种类型的精神疾病(自闭症谱系)来自9个地点的疾病,重度抑郁症,精神分裂症和强迫症。研究人员通过将数学模型应用于组合数据集(旅行主题rs-fMRI数据集+多站点,多障碍)来估计不同成像部位的影响,个体差异以及障碍对静息状态功能连通性*的影响* -fMRI数据集)。
此外,该研究小组证明,与位点相关的差异涉及生物取样偏差(参与者组的差异)和工程测量偏差(MRI扫描仪的性质差异)。研究人员发现,两种偏倚类型对rs-fMRI功能连接的影响都大于或等于精神疾病。他们指定了MRI扫描仪的特性,这些特性显着影响了rs-fMRI的连通性。此外,他们还透露,每个站点只能从参与者的子群体中进行采样,这表明收集多站点数据的重要性。为了克服与站点差异相关的限制,他们开发了一种新颖的协调方法,通过使用旅行主题数据集仅删除了测量偏差,
因此,研究小组可以构建一个有价值的多站点神经影像数据库,包括2,409名患有多种精神疾病的人(ASD:自闭症谱系障碍,MDD:重度抑郁症,SCZ:精神分裂症,强迫症:强迫症,CP:慢性背痛疼痛,还有其他一些)。该数据库包括静息状态功能磁共振成像,大脑结构图像和125名ASD患者的患者人口统计学(年龄,性别和临床评定量表),455名MDD参与者,159名SCZ参与者,110名OCD参与者,107名CP患者,42名患有其他疾病的参与者以及1,421名健康参与者。
研究人员向批准的用户发布了该数据库的部分内容。想要使用此数据库的人必须从网站下载申请表,提供必要的信息,并将其发送到电子邮件地址。每个申请获得批准后,将签发一个ID帐户。ID帐户允许用户从网站下载数据。到目前为止,该研究小组已经发布了706名精神疾病患者的数据和来自8个地点(12个MRI扫描仪)的1,122名健康参与者的数据。此外,该团队目前正在构建一个任何人都可以访问的公开数据库。
将来,通过所提出的协调方法分析这样的大数据可能导致开发出实用的基于脑回路的精神疾病生物标志物,而不管所使用的成像部位。因此,预计该研究将对精神疾病的诊断和治疗作出重大贡献。
标签:MRI数据
郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。