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.

Об авторах

А. А. Пойда

Национальный исследовательский центр «Курчатовский институт»; Государственное бюджетное учреждение здравоохранения города Москвы «Психиатрическая клиническая больница № 1 им. Н.А. Алексеева Департамента здравоохранения г. Москвы»

Email: Poyda_AA@nrcki.ru
Москва, Россия; Москва, Россия

С. О. Козлов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Москва, Россия

А. Д. Жемчужников

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Москва, Россия

В. А. Орлов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Москва, Россия

С. И. Карташов

Национальный исследовательский центр «Курчатовский институт»

Email: Poyda_AA@nrcki.ru
Москва, Россия

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
Москва, Россия

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
Москва, Россия

Г. П. Костюк

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

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

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.
  7. doi: 10.3389/fninf.2014.00024
  8. 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.
  9. 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
  10. 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
  11. 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
  12. 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
  13. Nieto-Castanon A., Whitfield-Gabrieli S. CONN functional connectivity toolbox: RRID SCR_009550, release 22. 2022. https://doi.org/10.56441/hilbertpress.2246.5840
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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.
  19. 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
  20. 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
  21. 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

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».