Functional Brain Network Identification in Opioid Use Disorder Using Machine Learning Analysis of Resting-State fMRI BOLD Signals

要約

安静時の機能的磁気共鳴画像法（RS-FMRI）を使用したオピオイド使用障害（OUD）の神経生物学を理解することは、患者の転帰を改善するための治療戦略を通知するのに役立つ可能性があります。
最近の文献では、RS-FMRI血液酸素化レベル依存性（BOLD）シグナルの時間周波数特性が、従来の分析手法に補完的な情報を提供する可能性があることを示唆しています。
ただし、OUDの既存の研究では、すべての時点で計算された測定値を使用して、BOLD信号を分析します。
この研究は、文献で初めて、データ駆動型の機械学習（ML）を採用して、主要な機能ネットワーク内の局所神経活動の時間周波数分析を採用して、OUD被験者を健康なコントロール（HC）と区別しています。
デフォルトモードネットワーク（DMN）、Salienceネットワーク（SN）、および31 OUDおよび45 HCの被験者のエグゼクティブコントロールネットワーク（ECN）からRS-FMRI Bold信号に基づいて、時間周波数機能を取得します。
次に、重要な人口統計機能を考慮しながら、機能ネットワーク機能の識別力を研究するために、5倍の交差検証分類（OUD vs. HC）実験を実行します。
DMNとSNは、それぞれ0.7097と0.7018の平均F1スコア、およびそれぞれ0.8378と0.8755の平均AUCSで、最も識別力のあるパワーを有意に（P <0.05）偶然のベースラインよりも優れています。 選択された時間周波数（ウェーブレット）機能のフォローアップBoruta ML分析により、3つの機能ネットワークすべての重要な（p <0.05）詳細係数が明らかになり、OUDの研究におけるRS-FMRI太字シグナルのMLと時間周波数分析の必要性を強調しています。

要約(オリジナル)

Understanding the neurobiology of opioid use disorder (OUD) using resting-state functional magnetic resonance imaging (rs-fMRI) may help inform treatment strategies to improve patient outcomes. Recent literature suggests time-frequency characteristics of rs-fMRI blood oxygenation level-dependent (BOLD) signals may offer complementary information to traditional analysis techniques. However, existing studies of OUD analyze BOLD signals using measures computed across all time points. This study, for the first time in the literature, employs data-driven machine learning (ML) for time-frequency analysis of local neural activity within key functional networks to differentiate OUD subjects from healthy controls (HC). We obtain time-frequency features based on rs-fMRI BOLD signals from the default mode network (DMN), salience network (SN), and executive control network (ECN) for 31 OUD and 45 HC subjects. Then, we perform 5-fold cross-validation classification (OUD vs. HC) experiments to study the discriminative power of functional network features while taking into consideration significant demographic features. The DMN and SN show the most discriminative power, significantly (p < 0.05) outperforming chance baselines with mean F1 scores of 0.7097 and 0.7018, respectively, and mean AUCs of 0.8378 and 0.8755, respectively. Follow-up Boruta ML analysis of selected time-frequency (wavelet) features reveals significant (p < 0.05) detail coefficients for all three functional networks, underscoring the need for ML and time-frequency analysis of rs-fMRI BOLD signals in the study of OUD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google