Применение метода функционально однородных регионов (FHR) для выделения наиболее информативных регионов головного мозга человека для бинарной классификации шизофрении по данным функциональной МРТ в состоянии покоя

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье приведен результат анализа наиболее информативных регионов головного мозга для постановки диагноза шизофрении по данным функциональной магнитно-резонансной томографии (фМРТ) в состоянии покоя с использованием ранее разработанного авторами метода функционально однородных регионов (functionally homogeneous regions – FHR) и функционального атласа CONN. Анализ проведен на данных 32 испытуемых с диагнозом шизофрении и 36 человек из контрольной группы, полученных на томографе Siemens. Для проверки были использованы данные 19 пациентов и 29 человек из контрольной группы, полученные на томографе General Electric. Выявлено 8 наиболее информативных регионов. Проведенный анализ выделенных регионов показал, что изменение состава обучающей группы существенно влияет на список наиболее значимых регионов. В то же время анализ выделенных наиболее значимых регионов на повторяемость при варьировании состава испытуемых показал, что из 8 выделенных наиболее значимых регионов 4 имеют повторяемость выше 70%, 2 – от 50% до 70% и 2 – от 30% до 50%. Это может свидетельствовать о том, что выявленные регионы не случайны, и открывает перспективы для их дальнейшего углубленного анализа и определения значимости при постановке диагноза шизофрении. Проверка, проведенная на данных другого томографа, частично подтвердила повышенную значимость выделенных регионов для классификации патологии шизофрении, но идеального совпадения на наборах с разных томографов достигнуто не было.

Полный текст

Доступ закрыт

Об авторах

А. А. Пойда

Национальный исследовательский центр «Курчатовский институт»

Автор, ответственный за переписку.
Email: Poyda_AA@nrcki.ru
Россия, Москва

С. О. Козлов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

А. Д. Жемчужников

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

В. А. Орлов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

С. И. Карташов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Россия, Москва

Л. В. Бравве

Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»

Email: Poyda_AA@nrcki.ru
Россия, Москва

М. А. Кайдан

Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»

Email: Poyda_AA@nrcki.ru
Россия, Москва

Г. П. Костюк

Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»

Email: Poyda_AA@nrcki.ru
Россия, Москва

Список литературы

  1. Жемчужников А.Д., Карташов С.И., Козлов С.О., Орлов В.А., Пойда А.А., Захарова Н.В., Бравве Л.В., Мамедова Г.Ш., Кайдан М.А. Поиск наиболее информативных регионов для бинарной классификации шизофрении по данным фМРТ состояния покоя на основе метода выделения функционально однородных регионов. Журнал высшей нервной деятельности им. И.П. Павлова. 2024. Т. 74. №4. C. 412–425. doi: 10.31857/S0044467724040035
  2. Солохина Т., Ошевский Д., Бархатова А., Кузьминова М., Тюменкова Г., Алиева Л., Штейнберг А., Чуркина А. Самостигматизации у пациентов с эндогенными психическими расстройствами: кроссекционное сравнительное исследование. Consortium Psychiatricum. 2024. Т. 5. №1. C. 13–26. doi: 10.17816/CP15485
  3. Algumaei A.H., Algunaid R.F., Rushdi M.A., Yassine I.A. Feature and decision-level fusion for schizophrenia detection based on resting-state fMRI data. PLOS ONE 2022. 17, e0265300. https://doi.org/10.1371/journal.pone.0265300
  4. Blinowska K.J. Review of the methods of determination of directed connectivity from multichannel data. Medical & Biological Engineering & Computing. 2011. 49. 521–529. https://doi.org/10.1007/s11517-011-0739-x
  5. Du Y., Fu Z, Sui J., Gao S., Xing Y., Lin D., Salman M., Abrol A., Rahaman M.A., Chen J., Hong L.E., Kochunov P., Osuch E.A., Calhoun V.D.; Alzheimer’s Disease Neuroimaging Initiative. NeuroMark: An automated and adaptive ICA based pipeline to identify reproducible fMRI markers of brain disorders. Neuroimage Clin. 2020; 28:102375. Epub 2020 Aug 11. PMID: 32961402; PMCID: PMC7509081. doi: 10.1016/j.nicl.2020.102375
  6. Eklund A., Dufort P., Villani M., Laconte S. BROCCOLI: Software for fast fMRI analysis on many-core CPUs and GPUs. Front Neuroinform. 2014 Mar 14;8:24. doi: 10.3389/fninf.2014.00024
  7. Freund Y., Schapire R.E. A Short Introduction to Boosting. Journal of Japanese Society of Artificial Intelligence, Vol. 14, No. 5, 1999, pp. 771–780.
  8. Jiang Y., Palaniyappan L., Luo C., Chang X., Zhang J., Tang Y., Zhang T., Li C., Zhou E., Yu X., Li W., An D., Zhou D., Huang C.C., Tsai S.J., Lin C.P., Cheng J., Wang J., Yao D., Cheng W., Feng J.; ZIB Consortium. Neuroimaging epicenters as potential sites of onset of the neuroanatomical pathology in schizophrenia. Sci Adv. 2024 Jun 14;10(24):eadk6063. Epub 2024 Jun 12. PMID: 38865456; PMCID: PMC11168466. doi: 10.1126/sciadv.adk6063
  9. Kozlov S., Poyda A., Orlov V., Sharaev M., Ushakov V. Selection of Functionally Homogeneous Human Brain Regions for Functional Connectomes Building Based on fMRI Data. Advances in intelligent systems and computing. 2021. 1358. 709–719. https://doi.org/10.1007/978-3-030-71637-0_82
  10. Lauer M., Senitz D., Beckmann H. Increased volume of the nucleus accumbens in schizophrenia. J Neural Transm (Vienna). 2001;108 (6):645–60. PMID: 11478417. https://doi.org/10.1007/s007020170042
  11. Nie Y., Murad T., Miao H.Y., Bhattarai P., Thakuri D.S., Chand G.B. Characterizing multivariate regional hubs for schizophrenia classification, sex differences, and brain age estimation using explainable AI. medRxiv [Preprint]. 2025 Mar 4:2025.02.28.25323105. PMID: 40093221; PMCID: PMC11908315. doi: 10.1101/2025.02.28.25323105
  12. Nieto-Castanon A., Whitfield-Gabrieli S. CONN functional connectivity toolbox: RRID SCR_009550, release 22. 2022. https://doi.org/10.56441/hilbertpress.2246.5840
  13. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Müller A., Nothman J., Louppe G., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine Learning in Python [WWW Document]. arXiv.org. 2018. https://doi.org/10.48550/arXiv.1201.0490
  14. Shen C.L., Tsai S.J., Lin C.P., Yang A.C. Progressive brain abnormalities in schizophrenia across different illness periods: a structural and functional MRI study. Schizophrenia (Heidelb). 2023 Jan 5; 9(1): 2. PMID: 36604437; PMCID: PMC9816110. doi: 10.1038/s41537-022-00328-7
  15. Solmi M., Seitidis G., Mavridis D., Correll C.U., Dragioti E., Guimond S., Tuominen L., Dargél A., Carvalho A.F., Fornaro M., Maes M., Monaco F., Song M., Il Shin J., Cortese S. Incidence, prevalence, and global burden of schizophrenia – data, with critical appraisal, from the Global Burden of Disease (GBD) 2019. Mol Psychiatry. 2023. 28. 5319–5327. https://doi.org/10.1038/s41380-023-02138-4
  16. Tohid H., Faizan M., Faizan U. Alterations of the occipital lobe in schizophrenia. Neurosciences (Riyadh). 2015 Jul; 20 (3): 213–24.PMID: 26166588; PMCID: PMC4710336. https://doi.org/10.17712/nsj.2015.3.20140757
  17. Voineskos A.N., Hawco C., Neufeld N.H., Turner J.A., Ameis S.H., Anticevic A., Buchanan R.W., Cadenhead K., Dazzan P., Dickie E.W., Gallucci J., Lahti A.C., Malhotra A.K., Öngür D., Lencz T., Sarpal D.K., Oliver L.D. Functional magnetic resonance imaging in schizophrenia: current evidence, methodological advances, limitations and future directions. World Psychiatry. 2024 Feb; 23(1): 26-51. PMID: 38214624; PMCID: PMC10786022. doi: 10.1002/wps.21159.
  18. Zang Y., Jiang T., Lu Y., He Y., Tian L. Regional homogeneity approach to fMRI data analysis. NeuroImage. 2004. 22. 394–400. https://doi.org/10.1016/j.neuroimage.2003.12.030
  19. Zhang J., Rao V.M., Tian Y. et al. Detecting schizophrenia with 3D structural brain MRI using deep learning. Sci Rep 13, 14433 (2023). https://doi.org/10.1038/s41598-023-41359-z
  20. Zheng J., Wei X., Wang J., Lin H., Pan H., Shi Y. Diagnosis of Schizophrenia Based on Deep Learning Using fMRI. Comput Math Methods Med. 2021 Nov 9; 2021: 8437260. PMID: 34795793; PMCID: PMC8594998. doi: 10.1155/2021/8437260

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Точность классификации в зависимости от максимального числа признаков/регионов.

Скачать (92KB)
3. Рис. 2. Диаграмма распределения вероятности попадания регионов в 8 наиболее значимых по весам, рассчитанным алгоритмом ExtraTrees (данные с томографа Siemens). Значения на горизонтальной оси соответствуют порядковому номеру регионов в атласе CONN.

Скачать (102KB)
4. Рис. 3. Порядковый номер региона в упорядоченном списке их значимости по результатам усреднения 5000 итераций (данные с томографа Siemens).

Скачать (150KB)
5. Рис. 4. Зависимость точности классификации от удаления признаков (данные с томографа Siemens): синий столбец – без удаления признаков; оранжевый – удаление случайных 8 признаков; серый – удаление 8 признаков, соответствующих выделенным наиболее значимым регионам.

Скачать (119KB)
6. Рис. 5. (a) Диаграмма распределения вероятности попадания регионов, выделенных на данных General Electric (красный цвет) и Siemens (синий цвет), в 8 наиболее значимых по весам, рассчитанным алгоритмом ExtraTrees. Значения на горизонтальной оси соответствуют порядковому номеру регионов в атласе CONN. (б) Порядковый номер регионов, выделенных на данных General Electric (красный цвет) и Siemens (синий цвет), в упорядоченном списке их значимости по результатам усреднения 5000 итераций.

Скачать (323KB)
7. Рис. 6. Изменение значений FHR при изменении угла отклонения намагниченности на томографе General Electric для одного испытуемого.

Скачать (139KB)

© Российская академия наук, 2025