Классификация биотипов психоза с помощью машинного обучения на основе структур МРТ головного мозга

Введение в проблему диагностики психозов

Современные диагностические подходы в психиатрии основаны почти исключительно на феноменологических наблюдениях, а не на биологической верификации. В отличие от других медицинских областей, в психиатрии объективные биомаркеры редко используются для поддержки клинического принятия решений. Растущее количество доказательств указывает на то, что существующие диагностические формулировки демонстрируют слабое соответствие emerging биомаркерным конструктам. Отсутствие биологически обоснованных disease entities — например, для психотических расстройств — или actionable biomarkers в рамках глобальных disease constructs затрудняет прогресс в понимании механизмов заболеваний и разработке методов лечения.

Новые подходы к классификации психозов

Недавние стратегии, использующие лежащую в основе нейробиологию, бросили вызов диагностическим границам психозов. Вместо поиска биомаркеров для «шизофрении» или «биполярного расстройства» применялись подходы, управляемые данными, с использованием широких панелей биомаркеров для перекатегоризации случаев психоза в подгруппы с более сплоченными нейробиологическими профилями. Используя этот подход, Сеть по изучению биполярного расстройства и шизофрении для промежуточных фенотипов (Bipolar-Schizophrenia Network for Intermediate Phenotypes, BSNIP) недавно разработала основанные на биомаркерах конструкции психоза — Биотипы — которые capture биологически distinctive группы случаев психоза.

Характеристики биотипов BSNIP

На основе многоступенчатого multivariate анализа с использованием когнитивных, ЭЭГ и oculomotor мер emerged три отличительных Биотипа:

• Биотип 1 (B1): характеризуется poor cognitive и low sensorimotor function
• Биотип 2 (B2): с moderately impaired cognition и exaggerated sensorimotor reactivity
• Биотип 3 (B3): с near normal cognitive и sensorimotor functions

Примечательно, что conventional diagnoses [шизофрения (Schizophrenia, SZ), шизоаффективное расстройство (Schizoaffective disorder, SAD), психотическое биполярное расстройство I типа (Bipolar I disorder, BD)] mapped poorly onto the Biotypes, причем все три диагноза распределены по всем Биотипам.

Методы исследования

В исследовании использовался подход контролируемого машинного обучения для определения того, могут ли характеристики плотности серого вещества (Grey Matter Density, GMD) надежно дискриминировать между группами психоза — категоризированными либо согласно Биотипу, либо conventional diagnosis — и здоровыми людьми. Мы предположили, что классификатор на основе GMD покажет большую специфичность для биологически определенных Биотипов относительно symptom-based diagnoses.

Выборка исследования

Voxelwise metrics GMD из конвейера Воксельной Морфометрии (Voxel-Based Morphometry, VBM) были извлечены у 808 испытуемых [557 с психозом, 251 здоровый контроль (CON)], первоначально категоризированных согласно Биотипу, а затем по диагнозам DSM (для демографических и клинических данных см. Таблицу 1 и Дополнительную таблицу S1).

Извлечение параметров плотности серого вещества

T1-взвешенные структурные изображения были получены на 3Т МРТ сканерах в 5 центрах BSNIP. Использовались последовательности Magnetization Prepared Rapid Gradient Echo (MPRAGE) или Inversion Recovery-Prepared Spoiled Gradient-Echo (IR-SPGR). Изображения были предобработаны и проанализированы с использованием оптимизированного инструментария VBM8 для Statistical Parametric Mapping (SPM8). Конвейер анализа incorporated the Diffeomorphic Anatomical Registration Through Exponentiated Lie Algebra (DARTEL), инструмент нелинейной межсубъектной регистрации высокой размерности.

Результаты классификации

Производительность классификатора на основе плотности серого вещества по биотипам

Результаты для трех моделей классификации Биотипов показаны на Рис. 1 и в Дополнительной таблице S3. Для модели, сравнивающей B1 и CON, общая точность классификации модели была значительно выше случайного уровня. Точность классификации также была значительно выше случайного уровня как для B1, так и для CON. Важно, что модель не классифицировала ни случаи B2, ни B3 как принадлежащие к группе B1 с частотой выше случайной. Мы интерпретируем эту картину результатов как доказательство специфичности в различении между B1 и CON на основе особенностей GMD.

Производительность классификатора по традиционным диагнозам

Результаты для трех моделей классификации conventional diagnoses показаны на Рис. 2 и в Дополнительной таблице S4. Общая точность классификации для модели SZ vs. CON, а также точность для обеих групп SZ и CON были значительно выше случайного уровня. Однако модель misclassified случаи SAD как принадлежащие к SZ с частотой выше случайного уровня (с аналогичной скоростью, что и случаи SZ). Случаи BD не были misclassified как SZ выше номинального шанса. Следовательно, модель SZ vs. CON оказалась неспецифичной и управлялась особенностями GMD, общими для both SZ и SAD.

Обсуждение результатов

Расширяя нашу предыдущую работу — разработку distinct BSNIP psychosis Biotypes, полученных из когнитивных и neurophysiologic биомаркеров, и характеристику изменений brain structural и functional across Biotypes с использованием независимых нейровизуализационных мер — здесь мы изучили, whether a supervised machine learning approach, примененный к voxelwise GMD мерам, успешно классифицирует группы Биотипов и conventional diagnoses.

По сравнению с symptom-based diagnoses, Биотипы, по-видимому, capture нейробиологически отличительные и более однородные подгруппы психоза. Поэтому мы predicted, что классификатор на основе GMD продемонстрирует большую специфичность для Биотипов, чем для диагнозов.

Клиническое значение и направления будущих исследований

Наблюдаемая здесь связь между преморбидной интеллектуальной функцией и вероятностью на основе GMD быть классифицированным как психоз B1 — независимо от групповой принадлежности (психоз или CON) — подчеркивает важность взаимосвязи между преморбидным когнитивным развитием и структурой мозга. Одним из важных направлений будущих исследований является изучение взаимосвязей познание/структура мозга в течение развития с целью выявления подгрупп «высокого риска», которые могут заслуживать клинического мониторинга.

Наши результаты указывают на то, что схемы классификации на основе биомаркеров мозга, такие как Биотипы, могут иметь promise в capture особенностей заболевания, которые более специфичны для лежащей в основе нейробиологии психоза, чем phenomenologically определенные диагностические категории психоза.

Ограничения исследования

Следует упомянуть некоторые ограничения исследования. Во-первых, наши классификаторы были обучены только с функциями, полученными из单一 imaging modality. Использование функций из单一 imaging modality могло недооценить точность классификации и положительно (или отрицательно) повлиять на результаты, связанные со специфичностью модели. Во-вторых, мы не сравнивали напрямую результаты классификации на основе GMD между категоризациями Биотипа и диагноза. Это требует дальнейшей работы. В-третьих, наши выводы требуют валидации в независимых выборках.

Заключение

Вместе наши выводы указывают на то, что основанные на мозге схемы классификации биомаркеров, такие как Биотипы, могут иметь promise в capture особенностей заболевания, которые более специфичны для лежащей в основе нейробиологии психоза, чем phenomenologically определенные диагностические категории психоза. Важно отметить, что наши результаты не поддерживают notion, что схема классификации на основе Биотипов GMD superior (т.е. leads to higher accuracy) к производительности классификатора, возможной для conventional diagnoses. Наш основной вывод заключается в том, что Биотипы, по-видимому, связаны с большей специфичностью в классификации на основе структуры мозга.