Autor/autores:
Hideaki Takeuchi, Noriaki Yahata, Giuseppe Lisi...(et.al)
Recientemente, se ha utilizado una técnica de aprendizaje automático (ML) para crear clasificadores generalizables para trastornos psiquiátricos basados en información de conexiones funcionales (FC) entre regiones del cerebro en estado de reposo. Estos clasificadores predicen etiquetas de diagnóstico mediante una suma lineal ponderada (WLS) de los valores d...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Recientemente, se ha utilizado una técnica de aprendizaje automático (ML) para crear clasificadores generalizables para trastornos psiquiátricos basados en información de conexiones funcionales (FC) entre regiones del cerebro en estado de reposo. Estos clasificadores predicen etiquetas de diagnóstico mediante una suma lineal ponderada (WLS) de los valores de correlación de un pequeño número de FC seleccionados.
Nuestro objetivo fue desarrollar un clasificador generalizable para el trastorno del juego (GD) a partir de la información de FC utilizando la técnica ML y examinar las relaciones entre WLS y los datos clínicos.
Como conjunto de datos de entrenamiento para ML, se obtuvieron datos de 71 pacientes con GD y 90 controles sanos (HC) de dos sitios de imágenes por resonancia magnética. Utilizamos un algoritmo ML que consiste en una cascada de un análisis de correlación canónica escasa regularizado por L1 y una regresión logística escasa para crear el clasificador.
La generalización del clasificador se verificó utilizando un conjunto de datos externo. Este conjunto de datos externo constaba de 6 pacientes con GD y 14 HC, y se recopiló en un sitio diferente de los sitios del conjunto de datos de entrenamiento. Se examinaron las correlaciones entre WLS y South Oaks Gambling Screen (SOGS) y la duración de la enfermedad.
El clasificador distinguió entre los pacientes con GD y los HC con alta precisión en la validación cruzada de exclusión (área bajo la curva (AUC = 0, 89)). Este rendimiento se confirmó en el conjunto de datos externo (AUC = 0, 81). No hubo correlación entre WLS y SOGS y la duración de la enfermedad en los pacientes con GD.
Desarrollamos un clasificador generalizable para GD basado en información de conexiones funcionales entre regiones del cerebro en estado de reposo.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://onlinelibrary.wiley.com/
Jose Luis Frias Pulido
Médico - España
Fecha: 27/04/2022
Inicio: 08/01/2025 |Precio: 180€
Ver curso