Statistical learning of candidate network stratifications in schizophrenia
Kognitive, systemische und Verhaltensneurobiologie
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
(Siehe online unter https://doi.org/10.1007/s00115-017-0456-2) - 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
(Siehe online unter https://doi.org/10.1002/hbm.24716)
