Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Tyck till om SwePub Sök här!

Sökning: onr:"swepub:oai:DiVA.org:liu-192503" > Functional connecti...

1 av 1
Föregående post
Nästa post
Till träfflistan

Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies

Gallo, Selene (författare): Amsterdam UMC, Netherlands; Amsterdam Neurosci, Netherlands

El-Gazzar, Ahmed (författare): Amsterdam UMC, Netherlands; Amsterdam Neurosci, Netherlands

Zhutovsky, Paul (författare): Amsterdam UMC, Netherlands; Amsterdam Neurosci, Netherlands

visa fler...

Thomas, Rajat M. (författare): Amsterdam UMC, Netherlands; Amsterdam Neurosci, Netherlands

Javaheripour, Nooshin (författare): Jena Univ Hosp, Germany

Li, Meng (författare): Jena Univ Hosp, Germany

Bartova, Lucie (författare): Med Univ Vienna, Austria

Bathula, Deepti (författare): Indian Inst Technol IIT, India

Dannlowski, Udo (författare): Univ Munster, Germany

Davey, Christopher (författare): Univ Melbourne, Australia

Frodl, Thomas (författare): Otto von Guericke Univ, Germany; German Ctr Mental Hlth, Germany

Gotlib, Ian (författare): Stanford Univ, CA 94305 USA

Grimm, Simone (författare): Charite Univ Med Berlin, Germany

Grotegerd, Dominik (författare): Univ Munster, Germany

Hahn, Tim (författare): Univ Munster, Germany

Hamilton, Paul J., 1970- (författare): Linköpings universitet,Centrum för social och affektiv neurovetenskap,Medicinska fakulteten,Centrum för medicinsk bildvetenskap och visualisering, CMIV

Harrison, Ben J. (författare): Univ Melbourne, Australia

Jansen, Andreas (författare): Univ Marburg, Germany

Kircher, Tilo (författare)

Meyer, Bernhard (författare): Med Univ Vienna, Austria

Nenadic, Igor (författare): Univ Marburg, Germany

Olbrich, Sebastian (författare): Univ Hosp Zurich, Switzerland

Paul, Elisabeth, 1991- (författare): Linköpings universitet,Centrum för social och affektiv neurovetenskap,Medicinska fakulteten

Pezawas, Lukas (författare): Med Univ Vienna, Austria

Sacchet, Matthew D. (författare): Harvard Med Sch, MA USA

Saemann, Philipp (författare): Max Planck Inst Psychiat, Germany

Wagner, Gerd (författare): Jena Univ Hosp, Germany

Walter, Henrik (författare): Charite Univ Med Berlin, Germany

Walter, Martin (författare): Otto von Guericke Univ, Germany; German Ctr Mental Hlth, Germany

PsyMRI, Guido (författare)

van Wingen, Guido (författare): Amsterdam UMC, Netherlands; Amsterdam Neurosci, Netherlands

visa färre...

(creator_code:org_t)

2023-02-15
2023
Engelska.
Ingår i: Molecular Psychiatry. - : SPRINGERNATURE. - 1359-4184 .- 1476-5578. ; 28:7, s. 3013-3022

Relaterad länk:: https://liu.diva-por... (primary) (Raw object); visa fler...; https://urn.kb.se/re...; https://doi.org/10.1...; visa färre...

Tidskriftsartikel (refereegranskat)

Abstract Ämnesord

Stäng

The promise of machine learning has fueled the hope for developing diagnostic tools for psychiatry. Initial studies showed high accuracy for the identification of major depressive disorder (MDD) with resting-state connectivity, but progress has been hampered by the absence of large datasets. Here we used regular machine learning and advanced deep learning algorithms to differentiate patients with MDD from healthy controls and identify neurophysiological signatures of depression in two of the largest resting-state datasets for MDD. We obtained resting-state functional magnetic resonance imaging data from the REST-meta-MDD (N = 2338) and PsyMRI (N = 1039) consortia. Classification of functional connectivity matrices was done using support vector machines (SVM) and graph convolutional neural networks (GCN), and performance was evaluated using 5-fold cross-validation. Features were visualized using GCN-Explainer, an ablation study and univariate t-testing. The results showed a mean classification accuracy of 61% for MDD versus controls. Mean accuracy for classifying (non-)medicated subgroups was 62%. Sex classification accuracy was substantially better across datasets (73-81%). Visualization of the results showed that classifications were driven by stronger thalamic connections in both datasets, while nearly all other connections were weaker with small univariate effect sizes. These results suggest that whole brain resting-state connectivity is a reliable though poor biomarker for MDD, presumably due to disease heterogeneity as further supported by the higher accuracy for sex classification using the same methods. Deep learning revealed thalamic hyperconnectivity as a prominent neurophysiological signature of depression in both multicenter studies, which may guide the development of biomarkers in future studies.

Hitta via bibliotek

Molecular Psychiatry (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Om ämnet

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Klinisk medicin; och Psykiatri

Artiklar i publikationen: Molecular Psychi ...

Av lärosätet: Linköpings universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se

Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies

Ämnesord

Publikations- och innehållstyp

Hitta via bibliotek

Till lärosätets databas

Hitta mer i SwePub

Sök utanför SwePub