运用机器学习预测首发精神分裂症长期结局:聚焦阴性症状维度

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    81571320
  • 项目类别:
    面上项目
  • 资助金额:
    25.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    H1005.精神分裂症及精神病性障碍
  • 结题年份:
    2017
  • 批准年份:
    2015
  • 项目状态:
    已结题
  • 起止时间:
    2016-01-01 至2017-12-31

项目摘要

Schizophrenia is a common and severe mental disease with long-term outcome varied in different individuals. The variables predicted long-term outcome of schizophrenia has multi-class, random and fluctuant characteristics. It is a hotspot to predict the outcome of disease at early stage with clinical, biological characteristics and other factors. The method based on traditional mathematical model has a lower predictive accuracy, and provides the information limited to binary classification. Multi-voxel pattern analysis (MVPA) is based on machine learning-support vector machine theory to analyze data. MVPA can integrate clinical assessments, with cognitive function and neuroimaging data to predict the outcome at individual level. In our early work, a large database on first-episode schizophrenia with longitudinal follow-up study has been built, and some relative research has done. This study is focused on the negative symptoms as the most significant clinical symptom dimension which hinders the long-term functional recovery, and their characteristic biomarkers. PyMVPA (Python MVPA) analysis is conducted to generate model with multi-aspect data at baseline. The model can be optimized according to the enduring negative symptoms and other assessment features from multi-period follow-up study. Meanwhile, sectionalization test optimal model and predictive weight map can also be generated. In the second stage, another new sample will be collected and follow-up. The outcome at individual level can be predicted by the generalization validation of optimal model from first stage. This study will provide more valuable and supportive evidence in schizophrenia translational medicine research, outcome mechanism and new therapeutic targets.
精神分裂症是精神科常见的重性精神障碍,其疾病长期结局具有较大的个体差异,具有多类别、随机性和波动性等特征。疾病初期患者的相关临床及生物学特征、影响因素等可能对疾病预后的预测具有重要的作用,是当前该领域研究的热点之一。传统数学模型预测力差,且只能给出两分类群组水平预测信息。多体素模式分析(MVPA)是基于机器学习理论-支持向量机开发的数模新技术,能整合临床、认知数据及磁共振图像,对单个患者作结局预测。依托于大样本首发精神分裂症资源库和前期研究结果,本研究拟聚焦于精神分裂症阴性症状这一重要的临床症状维度及相关特征性生物学标记,对患者基线时的多维数据整合建模,并将结合独有的、随访后获取的多时点阴性症状迁延等指标,建立分段最优预测模型,获得预测权重图。在第二阶段将新收集独立样本并随访,对前期建立的患者结局预测力予以验证。预期本研究将为精神分裂症转归机制研究提供科学线索,具有重要的临床转化意义。

结项摘要

精神分裂症是精神科常见的重性精神障碍,其疾病长期结局具有较大的个体差异。疾病初期患者的相关临床及生物学特征、影响因素等可能对疾病预后的预测具有重要的作用,是当前该领域研究的热点之一。本课题克服传统数学模型预测力差,且只能给出群组水平预测信息等问题,基于机器学习理论-支持向量机开发的数模新技术,整合临床、认知数据及磁共振图像,依托于大样本首发精神分裂症资源库和前期研究结果,聚焦于精神分裂症阴性症状这一重要的临床症状维度及相关特征性生物学标记,提取已有的基线神经认知功能数据,采用基于树的AdaBoost集成算法进行分类器的训练,建立预测模型,运用层次聚类分析的方法分别计算首发精神分裂症患者和正常对照的神经认知层次,较准确地预测个体是否具有精神分裂症,抑郁障碍或属于正常对照。得出精神分裂症特有的神经认知受损模式有:运动控制速度,感知灵敏度和逆反学习。整合这批患者临床、认知数据及磁共振图像信息。对精神分裂症基线时的多维数据整合建模,并结合随访后获取的多时点阴性症及结局指标,建立最优预测模型,获得预测权重图,发现脑白质结构网络(左右中央前回、左侧额中回、右侧额下回)、代表阴性症状严重度的量表Factor2因子,和一些认知因子对结局预测价值最大,提示脑白质解剖网络异常,阴性症状和认知受损影响精神分裂症结局,部分证实了“脑连接异常”病因假说。课题第二阶段新收集独立样本并随访,对前期建立的患者结局预测力模型按时间进程进行了初步验证及调整。本课题对探索在个体水平作结局预测可能性。为精神分裂症转归机制研究提供科学线索,具有临床转化意义。

项目成果

期刊论文数量(3)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
Convergence and divergence of neurocognitive patterns in schizophrenia and depression.
精神分裂症和抑郁症神经认知模式的趋同和分歧
  • DOI:
    10.1016/j.schres.2017.06.004
  • 发表时间:
    2018
  • 期刊:
    Schizophrenia Research
  • 影响因子:
    4.5
  • 作者:
    Liang Sugai;Brown Matthew R G;Deng Wei;Wang Qiang;Ma Xiaohong;Li Mingli;Hu Xun;Juhas Michal;Li Xinmin;Greiner Russell;Greenshaw Andrew J;Li Tao
  • 通讯作者:
    Li Tao
音乐治疗的临床应用与挑战
  • DOI:
    --
  • 发表时间:
    2017
  • 期刊:
    医学与哲学(B)
  • 影响因子:
    --
  • 作者:
    张书鸣;王津涛;邓伟
  • 通讯作者:
    邓伟

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

Tidal and Fluvial Influence on Shallow Groundwater Fluctuation in Coastal Wetlands in Yellow River Delta, China
潮汐和河流对黄河三角洲滨海湿地浅层地下水波动的影响
  • DOI:
    10.1002/clen.201200067
  • 发表时间:
    2013-06
  • 期刊:
    Clean-Soil Air Water
  • 影响因子:
    1.7
  • 作者:
    栾兆擎;邓伟
  • 通讯作者:
    邓伟
治疗性浅低温在急性心肌梗死中的应用进展
  • DOI:
    --
  • 发表时间:
    2019
  • 期刊:
    中国急救医学
  • 影响因子:
    --
  • 作者:
    邓伟;李依玲;余树春
  • 通讯作者:
    余树春
综合性三级医院公益性评价的灰关联聚类分析
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    中国医院管理
  • 影响因子:
    --
  • 作者:
    柯雄;陈英耀;刘文斌;邓伟;梁斐;胡献之;谷茜;赵列宾;董斌;施李正
  • 通讯作者:
    施李正
空间功能视角下的公共服务对房价的影响——以成都市为例
  • DOI:
    --
  • 发表时间:
    2017
  • 期刊:
    地理科学进展
  • 影响因子:
    --
  • 作者:
    张少尧;宋雪茜;邓伟
  • 通讯作者:
    邓伟
应用多重巢式PCR法快速鉴定广西HIV-1主要亚型
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    中华实验和临床病毒学杂志
  • 影响因子:
    --
  • 作者:
    吴书志;闭志友;邓伟;邵一鸣;岑平;梁浩;苏齐鉴;肖信;周平
  • 通讯作者:
    周平

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

邓伟的其他基金

精神分裂症进程中非对称性活跃脑结构改变的磁共振研究
  • 批准号:
    81171275
  • 批准年份:
    2011
  • 资助金额:
    14.0 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码