论文部分内容阅读
针对抗抑郁治疗的研究可分为生物学标记的探索及预测模型的构建两类工作,而在既往研究中鲜有将这两类研究良好结合的方法。鉴于此,本文的工作主要结合了治疗相关先验知识及集成学习的思想方法,构建了一种新的模型框架并将其应用于抗抑郁治疗效果预测及治疗方案选择。内容概括如下:(1)构建艾司西酞普兰早期疗效预测模型新框架,能够更好地结合临床先验与机器学习方法。我们参考既往综述中与药物治疗相关的生物学标记脑区,在脑区层面利用部分各向异性(Fractional Anistropy,FA)连接建立一级分类器,并采用集成方法构建先验集成预测模型。同时,构建了基于全脑脑区的全脑集成分类器及基于FA连接层面的全脑连接模型。对三类模型进行对比后发现,全脑集成模型(准确率=85.4%)和先验集成模型(准确率=78%)比全脑连接模型(准确率=68.3%)能够更准确的预测疗效。而先验脑区集成模型能够有效的规避治疗相关性较低的脑区,更科学地预测药物早期疗效。通过对集成模型的进一步分析,我们发现右侧前扣带回、左侧眶额回及左侧后扣带回在早期艾司西酞普兰疗效预测中有着重要意义。(2)在前一部分工作的基础上,我们进一步尝试构建药物治疗方案选择模型。我们参考既往综述中与选择性5-羟色胺再摄取抑制剂(Selective Serotonin Reuptake Inhibitors,SSRIs)以及去甲肾上腺素及5-羟色胺再摄取抑制剂(Serotonin-nor-epinephrine reuptake inhibitors,SNRIs)类药物治疗效果相关的脑区,构建了先验集成SSRIs/SNRIs类药物治疗方案选择模型。通过对比我们发现先验集成模型(准确率=81.6%)在训练集上表现略逊于全脑集成模型(准确率=84.2%),但在外部测试集上表现(准确率=66.7%)的却远优于全脑集成模型(准确率=40.2%)。同时,我们还发现左侧海马、左侧丘脑及左侧岛叶能够对治疗方案先验集成选择模型的性能产生很大影响。