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
- Авторы: Пойда А.А.1, Козлов С.О.1, Жемчужников А.Д.1, Орлов В.А.1, Карташов С.И.1, Бравве Л.В.2, Кайдан М.А.2, Костюк Г.П.2
-
Учреждения:
- Национальный исследовательский центр «Курчатовский институт»
- Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»
- Выпуск: Том 75, № 4 (2025)
- Страницы: 420-434
- Раздел: ФИЗИОЛОГИЯ ВЫСШЕЙ НЕРВНОЙ (КОГНИТИВНОЙ) ДЕЯТЕЛЬНОСТИ ЧЕЛОВЕКА
- URL: https://transsyst.ru/0044-4677/article/view/687508
- DOI: https://doi.org/10.31857/S0044467725040038
- ID: 687508
Цитировать
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.
Ключевые слова
Полный текст

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
- 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
- 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
- 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
- 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
- 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
- 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
- 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.
- 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
- 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
- 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
- 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
- Nieto-Castanon A., Whitfield-Gabrieli S. CONN functional connectivity toolbox: RRID SCR_009550, release 22. 2022. https://doi.org/10.56441/hilbertpress.2246.5840
- 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
- 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
- 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
- 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
- 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.
- 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
- 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
- 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
