Statistical learning of candidate network stratifications in schizophrenia

• Antragsteller: Professor Dr. Danilo Bzdok
• Fachliche Zuordnung: Kognitive und systemische Humanneurowissenschaften ; Kognitive, systemische und Verhaltensneurobiologie
• Förderung: Förderung von 2015 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 283338900

• Erstellungsjahr: 2022

Zusammenfassung der Projektergebnisse

Die bildgebenden Neurowissenschaften sind limitiert durch 1) den fehlenden Konsensus für ein Beschreibungssystem von mentalen Prozessen, 2) die inkonsistenten Ergebnisse zwischen einzelnen Bildgebungsstudien, und 3) die Knappheit an starken Hypothesen für neue Experimente. Diese Umstände erschweren insbesondere klinische Bildgebungsforschung, aber könnten durch die Kombination von der BrainMap Bildgebungsdatenbank und Mustererkennungsalgorithmen verbessert werden. Ein integratives Methodenframework hat neue Hypothesen von multi-zentrischen Schizophrenie-Stichproben (482 Teilnehmer) extrahieren und deren Wichtigkeit quantifizieren. Das neurobiologische Wissen in der BrainMap-Datenbank wurde in Form von meta-analytischen Priors kondensiert, die die Vielfältigkeit der menschlichen Kognition abdecken. Die meta-analytischen Priors verbessern die statistischen Eigenschaften und die Interpretierbarkeit explorativer Analysen auf Basis struktureller (d.h. voxel-basierte Morphometrie) und funktioneller (d.h. aufgabenunabhängie "resting-state" Korrelationen und aufgabenabhängiges "meta-analytic connectivity modeling") Gehirneigenschaften. Maschinelle Lernmethoden (u.a. support vector machines, Logistische Regression, Random Forests) werden automatisch die relevantesten meta-analytischen Priors für bestimmte Fragestellungen identifizieren, mithilfe von neurobiologischen sowie demographischen und klinischen Prädiktoren. Mustererkennungsverfahren konnten so testen, ob und wie biologisch bedeutsame Priors mit der Pathophysiologie der Schizophrenie zusammenhängen. Die resultierenden Kandidaten-Priors können zukünftige Hypothesen-getriebene Untersuchungen in der Schizophrenie motivieren und verbessern. Das vorgeschlagene Verfahren konnte komplexe Zusammenhänge zwischen dem klinischen Exo-Phänotyp und dem neurobiologischen Endo-Phänotyp der Schizophrenie automatisch formalisieren und vorhersagen.

Projektbezogene Publikationen (Auswahl)

• [Big Data Approaches in Psychiatry: Examples in Depression]. Nervenarzt, 2017
  Bzdok D, Karrer TM, Habel U, Schneider F
  
• Brain-based ranking of cognitive domains to predict schizophrenia. Human Brain Mapping, 40, 4487-4507, 2019
  Karrer TM, Basset DS, Derntl B, Gruber O, Aleman A, Jardri R, Laird AR, Fox P, Eickhoff SB, Grisel O, Varoquaux G, Thirion B, Bzdok D