Psychiatry Research: 贝叶斯模型和全脑RSFC应用于首发MDD患者评估个体间异质性
2023-11-13 xiongjy MedSci原创 发表于上海
重度抑郁障碍(MDD)传统的亚型研究往往将重度抑郁症患者归入单一亚组,而忽视了个体间的持续差异。
重度抑郁症(MDD)是一种复杂的异质性综合征,在症状特征、临床轨迹和治疗结果方面具有很大的个体差异,这证实了它不是一种单一的疾病实体的共识。然而重度抑郁障碍(MDD)传统的亚型研究往往将重度抑郁症患者归入单一亚组,而忽视了个体间的持续差异。
本文目的是在考虑到重度抑郁症个体之间的显著异质性的情况下,提供重度抑郁症中功能障碍连接的性质和空间范围的详细特征。为了实现这一目标,作者使用从REST-meta-MDD项目中抽取的大型多站点样本,应用LDA将MDD患者的RSFC模式分解为多个潜在的高连接和低连接因素。
在Rest-meta-MDD项目中抽取的样本里,包括从5个研究机构获得230名初次发病、未服用过药物的MDD患者和395名健康对照者。下表为参与者的详细信息。
取得参与者们的re-fMRI图像后,使用Dosenbach的图谱将整个大脑划分为160个兴趣区域(roi) 。从每个ROI内的体素中提取血氧水平相关(BOLD)信号时间序列并随后进行平均。研究采用贝叶斯模型将静息态功能连通性(RSFC)分解为多种不同的RSFC模式(称为 "因子"),并允许每个人在不同程度上表达多个因子(维度亚类型)。计算了人口统计学变量和临床变量与所识别因子之间的关联。
Figure 1. A schematic overview of the Bayesian model and analysis pipeline.
本文使用上述贝叶斯建模后,确定了三个潜在因子,它们具有不同但部分重叠的低RSFC和高RSFC模式。它们捕获了不同但部分重叠的低rsfc和高rsfc模式。图2说明了三个因素中每个因素的低和超RSFC,它们映射到七个网络(见上面的图1C, D)。
Figure 2. Spatial distribution maps of the three latent factors.
将这些显著的功能失调连接绝对化和二值化,并将它们聚合在三个因素上就得到了下面的图3,用来研究共享的和特定的超和低rsfc模式。下图显示了所有三个因素中显著的低rsfc和高rsfc的绝对值之和。DMN和SMN之间以及FPN和皮层下网络之间的连接模式的改变在所有因素中都是一致的。
Figure 3. Shared hypo- and hyper-resting-state functional connectivity across all 3 factors
因子组成表明,大多数MDD患者不同程度地共同表达多个潜在因素,而不是主要表达单一因素,从而显示出个体差异的连续性(图4)。没有特定部位主要表现为单一因素,表明潜在因素不是由部位相关变异驱动的。此外,年龄、性别、教育程度、FD、HAMD、HAMA或病程与每个因素均无显著相关。
Figure 4. Factor compositions of 230 major depressive disorder patients. Each patient corresponds to a dot, with location (in barycentric coordinates) representing the factor composition, i.e., Pr(Factor | Patient).
总的来说,本文将数据驱动的贝叶斯模型和全脑RSFC应用于首发drug-naïve MDD患者的多站点数据集,并确定了三个具有不同但部分重叠的功能障碍连接模式的潜在因素。大多数患者表达多种潜在因素,而不是单一亚型,每个患者的表达都是独特的,突出了个体间变异性的存在。此外,在三个因素之间,没有观察到人口统计学和临床变量的显著相关性。最后,与传统的病例对照分析相比,潜在因素子集更有效地捕获了异质mdd相关的RSFC异常。这强调了贝叶斯模型识别显著和临床相关疾病特征的能力。
原始出处:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言