没有合适的资源?快使用搜索试试~ 我知道了~
工程6(2020)462研究AI for Precision Medicine-Review人工智能在精神疾病刘广迪a,b,#,李玉臣c,#,张伟c,张伟伟,张乐a,d,张伟西南大学计算机与信息科学学院,重庆400715b成都大学图书馆,成都大学,成都610106c四川大学华西医院精神卫生中心和精神病实验室生物治疗国家重点实验室,成都610041d四川大学计算机科学学院,成都610065阿提奇莱因福奥文章历史记录:2019年1月21日收到2019年6月7日修订2019年6月20日接受在线预订2019年8月28日保留字:人工智能精神疾病神经影像学A B S T R A C T最近开展了一些脑研究项目,以研究精神疾病的病因和虽然精神疾病是脑科学的一部分,但精神科医生仍然根据主观经验进行诊断,而不是通过了解疾病的病理生理学。因此,迫切需要对重大精神疾病的病因和发病机制有一个明确的认识,这将有助于制定有效的治疗和干预措施。基于人工智能(AI)的应用正在迅速发展,用于精神病学研究和诊断,但目前还没有系统的综述来总结它们的应用。出于这个原因,本研究简要回顾了用于研究精神疾病的三种主要大脑观察技术-即磁共振成像(MRI),脑电图(EEG)和动势诊断-以及相关的AI应用和算法。最后,我们讨论了基于AI的应用程序的挑战,机遇和未来的研究方向。©2020 THE COUNTORS.Elsevier LTD代表中国工程院出版,高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍根据1990年和2010年的全球疾病负担研究[1],在残疾调整生命年(DIFE)中测量的第四大疾病负担的主要原因是精神和物质使用障碍[2,3],这两种疾病被认为是全球残疾生活的主要原因。最近开展了许多脑研究项目,以研究精神疾病的病因和机制[4],这可能有助于提高脑介入和临床治疗能力[5]。例如,美国在2013年提出了通过推进创新神经行为学进行脑研究的倡议[4],欧盟在2013年启动了人脑计划(HBP)[4],日本在2014年启动了日本脑银行网络计划[5]。中国于2016年启动了中国大脑项目,该项目涵盖了新一代的基础研究,*通讯作者。电子邮件地址:weizhanghx@163.com(W.Zhang),zhangle06@scu.edu.cn(L.Zhang)。#这些作者对这项工作做出了同样的脑疾病的发病机制及临床研究[6]。尽管精神疾病是脑科学的一个研究领域,但大多数精神科医生仍然根据主观经验进行诊断,而不是通过了解疾病的病理生理学[7,8]。因此,精神科医生可能会误诊疾病,并错误地描绘不同的治疗路径。因此,迫切需要对重大精神疾病的病因和发病机制有一个清晰的认识,以便为重大脑部疾病制定有效的治疗和干预措施。近年来,基于人工智能(AI)的应用已迅速发展为精神病学研究和诊断[9例如,Jan等人[16]提出了一种用于监测抑郁症的AI系统,该系统可以根据声音和视觉表达预测贝克抑郁量表II(BDI-II)评分。此外,Wen等人。[17]基于多模态神经成像提取了多类型的然而,据我们所知,目前还没有系统的综述来说明这些基于人工智能的应用程序的使用,https://doi.org/10.1016/j.eng.2019.06.0082095-8099/©2020 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程杂志主页:www.elsevier.com/locate/engG.- D. Liu等/Engineering 6(2020)462-467463精神病学研究和诊断。因此,我们将简要回顾常用的基于AI的精神疾病应用,并说明如何应用AI技术探索生物标志物治疗精神疾病2. 用于精神障碍诊断的主要AI相关技术人工智能技术[18,19]正在逐步引入精神疾病。脑结构和功能是精神疾病最重要的生物学表型和关键诊断生物标志物[20]。因此,可以获得详细信息以表征不同精神障碍的人工智能相关技术应用于这些疾病的诊断[16]。图 1描述了精神疾病研究中大脑观察的三种主要技术:磁共振成像(MRI),脑电图(EEG)和动势诊断[21]。我们随后将讨论其相关的基于AI的应用程序。2.1. 磁共振成像MRI是行为和认知神经科学的主要技术,因为它可以探索计算机断层扫描(CT)无法检测到的明显精神异常[22目前,用于脑成像的常用AI技术包括多任务/多模态学习、分类、内核和深度学习方法[26],这些技术可以帮助有效分析现有疾病数据,以探索关键生物标志物,并提高临床脑疾病治疗的能力[24,25]。虽然已经开发了许多AI相关的应用程序来辅助MRI[26-例如,Hosseini-Asl等人[37]提出了一种新的深度监督自适应三维(3D)CNN,可以自动提取和识别阿尔茨海默来分析和识别MRI图像。 此外,Koyamada等人。[38]使用DNN建立了一个主题转移解码器。它由人类连接组项目(HCP)中的功能MRI(fMRI)数据集训练,其解码器已被评估为具有...解码精度比其他方法高虽然MRI目前是一种重要的诊断工具,但它仍然有几个主要缺点。首先,它需要大量的计算机配置。其次,需要大数据来优化模型的关键参数。第三,成像过程需要很长时间。因此,如何改进目前基于人工智能的应用以解决这些问题是MRI未来的一个重要研究方向。2.2. 脑电图通过检测和记录人的脑电信号,可以对人脑和神经系统疾病进行诊断和治疗。EEG信号对于理解人类大脑如何处理信息和诊断精神疾病都至关重要[39]。与CT和MRI相比,EEG具有更高的时间分辨率[40]。因此,尽管EEG的空间分辨率有限,但它仍然是研究和诊断的宝贵工具,特别是当特定研究需要毫秒范围内的时间分辨率时,例如焦虑、精神病和抑郁症研究[41]。在这里,我们重点描述了经典的机器学习算法在脑电信号中的应用。由于EEG数据由图形表示,因此始终通过基于AI的模型进行分析[42例如,Field和Diego[46]采用线性判别分析来处理EEG数据,在对正常患者和抑郁症患者进行分类时获得了67%的准确率。此外,Iosifescu等人[47]采用支持向量机(SVM)处理88名受试者前额八导联连接中点处的静息状态EEG数据,并实现了70%的分类准确度。此外,Bisch等人[48]使用逻辑回归(LR)对抑郁症的9导联EEG进行分类,分类准确率为83.3%。虽然EEG可以简化数据采集过程,但它们会遇到信息丢失。更重要的是,脑电数据中有太多的未被挖掘的因素,导致分类决策中存在大量的噪声。因此,开发更适合脑电数据的机器学习模型是未来的研究方向。2.3. 身势身势数据(包括行为[49],面部[50]和其他数据[48])对于研究发病机制,发展过渡和诊断辅助变得非常重要。Fig. 1. 精神疾病的主要观察技术。ð ÞM2 f-g¼-jDj我2我464G.- D. Liu等/Engineering 6(2020)462-467精神疾病基于人工智能的技术被广泛用于分析这些数据,以帮助诊断和预测精神疾病。最近开发了许多与AI相关的应用程序用于身势学诊断[50例如,Wang et al.[53]提出了一种计算方法来开发视频数据的概率面部表情简档,其可以自动量化患有精神障碍的患者之间的情绪表达的精神分裂症)和健康对照组[16]。Zhu等人[54]通过深度学习算法实现了抑郁症的自动诊断,通过将平均绝对误差降低30.3%,显著提高了抑郁症预测性能。此外,Kaletsch等人。[55]检查了重度抑郁症(MDD)患者与健康患者之间通过身体运动表达情感的差异,并证明MDD患者比健康患者更消极。此外,Dhamecha等人。[56]提出了一种算法来研究人类和机器识别/验证伪装面部的性能[57]。该方法可以识别伪装的人脸补丁,并考虑这些信息,以获得自动本地化的特征描述符,以提高匹配精度实验结果表明,该算法不仅可以性能优于流行的商业系统,而且在匹配时还评估伪装的总的来说,随着人工智能和精准医疗的发展,收集和分析人体数据将变得更容易,更便宜,更方便。此外,身势数据可以帮助提高模型被认为是精神科再入院的关键预测因子,并提供了一种更好的再入院预测方法Shen等人[72]通过分类和回归树方法生成了一个风险分层模型,以获得精神病合并症的比值比(OR)。使用LR方法,计算有和没有边缘性人格障碍的受试者之间的精神病合并症的OR。一般来说,LR模型的准确性很高,因此通常应用于临床实践。3.3.决策树决策树[73]是一个类似流程图的图表,显示了一系列决策的各种结果,包括机会事件结果和效用。决策树是监督分类学习中应用最广泛的算法之一。在AI中,决策树是一种预测模型,表示对象属性和对象值之间的映射。大多数现代决策树学习算法采用基于纯度的算法[74]。信息增益,增益D;X,由等式定义。(1)[75、76]。增益D;X增益信息D-XjDxj信息Dx增益1X其中,D是训练实例的集合,X是属性,x是其值,Dx是由X=x的实例组成的D的子集,并且infoD如等式(1)中所示被定义。(二)、信息栏D-Xplogp21/1紊乱3. 人工智能算法3.1. 贝叶斯模型在人工智能中,朴素贝叶斯分类器[58朴素贝叶斯方法是一种基于贝叶斯定理和特征条件无关假设的分类方法最近 的研究经 常使用贝 叶斯模型 来诊断精 神疾病。 例如,Strüngmann计算精神病学论坛[61此外,Grove et al.[66]使用贝叶斯模型比较方法来探索视觉整合和一般认知之间的关系。结果表明,贝叶斯模型可以得出一个比较的疾病分类系统,并有共同的精神病理信息,从诊断组。3.2. Logistic回归在统计学中,logistic模型[67,68](或logit模型)是广泛使用的统计模型,LR是一种重要的AI算法[68,69]。最近的研究经常使用LR模型来诊断精神疾病。例如,Hagen等人。[70]通过LR方法评估了心理困扰与两种认知筛查工具之间的关联结果表明,基于表现的评估可以减少心理困扰对认知筛查的影响。此外,Barker等人[71]采用多变量LR模型预测30天精神病再入院。他们的发现是其中pi是由实例的百分比估计的,m是类的数量。接下来,我们详细介绍两种常用的决策树应用于精神疾病。Carpenter等人[77]使用决策树算法来测试单个学龄前精神病评估(PAPA )项目是否可以预测儿童是否可能患有广泛性焦虑症(GAD)或分离焦虑症(SAD)。他们使用决策树来识别处于焦虑症边缘的儿童,结果表明,决策树可以对GAD和SAD实现高达96%的准确预测。有了决策树, Sattler 等人。 [78] 分析了 Spence 儿童焦虑量表(SCAS)和SCAS-P强迫症分量表的数据,并制定了两个从临床和社区儿童和家庭样本中诊断强迫症的筛查算法。结果表明,相对于完整分量表,该算法在不牺牲性质的前提下,将诊断强迫症所需的SCAS-P条目数减少3.4. 支持向量机SVM是当前的监督学习方法,其决策边界是用于求解学习样本的最大间隔超平面[79]。它可以描述如下:从形式为xi;y i;.的n个点的训练数据集开始。. ;xn;yn,其中yi1; 1用于表示类标签。每个xi都是p-维实向量目标是找到最大边界超平面,该超平面将yi1的点组xi与yi 1的点组分开。SVM模型已被普遍用于诊断精神障碍。例如,为了描述用户的情况,Peng等人。[80]采用基于多核SVM的ð ÞG.- D. Liu等/Engineering 6(2020)462-467465提取三种社交方式(用户微博文本、用户个人资料和用户行为)。基于多类SVM,Al-Shargie等人。[81]提出了判别分析方法。结果表明,该方法可以区分不同的应激水平的脑电与94.79%的平均分类准确率。3.5. 深度学习经典的机器学习方法,如贝叶斯模型和SVM,已被广泛用于精神病学和神经科学[64目前,深度学习[82-深度学习是指多层神经网络上的一组算法,它使用各种机器学习算法来解决各种问题,如图像和文本。结合低层特征,深度学习可以开发更抽象的高层属性类别或特征,可以发现数据的分布式特征表示。权重更新可以通过使用以下公式的随机梯度下降法来解决:可推广的,更具适应性的,应该从数据,规则和交互中学习。4. 讨论考虑到环境和多个易感基因之间的相互作用,诊断精神疾病的过程描述如下:首先,通过EEG研究小分子变化[96,97],如蛋白质表达[98,99];其次,通过MRI检查脑结构、特定神经回路和脑功能的变化;最后,当患者有临床表型转换时,使用动势数据以识别行为变化[100]。特别是,在结构、功能和行为水平上对这些变化的研究不仅有助于早期诊断精神疾病,而且有助于探索诊断精神疾病的关键生物标志物。然而,精神疾病的临床症状复杂多样。诊断精神疾病是医学中劳动密集型的任务之一,因此恰好属于机器学习领域一般的医疗系统不能总是准确和快速地诊断病人。那个骗局临床检验技术与人工智能@CDwt1 ¼ Dwtg@wð3Þ技术不仅可以大大降低成本,而且可以实时获得AI可以帮助医生提供其中Dw t是时间t的权重,g是学习率,C是成本函数。该函数的选择与学习类型(如监督学习、无监督学习和增强学习)和激活函数有关。在这里,我们详细介绍了两种用于精神疾病诊断的常用深度学习通过在TensorFlow框架上利用DNN, Khan et al.[88]提出了一种计算工具(综合精神障碍基因组评分,或iMEGES)来分析个人基因组的全基因组/外显子组测序数据基于深度学习框架,该工具为精神疾病创建了优先的基因评分[89]。研究结果表明,该工具的性能优于竞争的方法时,一个大的训练数据集是可用的。此外,Heinsfeld等人[39]将深度学习算法应用于大型脑成像数据集,以便仅基于患者的大脑激活模式来识别研究结果显示,数据集的准确率达到了70%,并且深度学习方法可以比其他方法更好地对大型数据集进行分类。此外,研究结果显示了深度学习对临床数据集的前景,并说明了人工智能在识别精神疾病方面的未来应用。尽管在多个领域已经证明了非常先进的性能,但深度学习由于在学习和测试过程中缺乏透明度而受到密切关注[90例如,深度学习被称为就像一个“黑盒子”。相比之下,LR等技术简单且易于理解。出于这个原因,这里介绍了最近在可解释DNN方面的努力。例如,在CNN可视化方面,Sprin-genberg et al.[93]提出了一种去卷积方法,可用于从深度学习中获取特征Kindermans等人[94]提出了一种方法来可视化输入图像中对CNN决策过程贡献最大的区域在一项关于使用传统机器学习模型解释神经网络的研究中,Zhang等人。[95]提出了一种解释预训练CNN的卷积层特征的方法,并使用解释图来揭示隐藏在CNN中的知识水平。简而言之,一个好的AI模型应该是可解释的,更准确、更高效的诊断[101在这种情况下,AI的典型应用是基于DNN诊断疾病[104]。DNN可以通过基于相关疾病数据的深度学习模型准确预测疾病或异常病变的风险在文献中,虽然深度学习诊断精神疾病的分析性能更好,但也存在一些问题,例如:①对计算机配置要求更高;②对数据量要求更高(只有当数据更多时,实验性能才更好);③实验消耗更多时间这些问题值得今后进一步研究和探讨简而言之,尽管AI在诊断精神疾病方面取得了很大进展,但仍有许多研究领域需要改进基于AI的应用[105]。首先,由于目前的研究是基于经典的浅学习算法,它是难以共享和使用高维特征之间的信息。因此,深度学习是未来的研究方向。其次,有必要采用无监督学习来对未标记的精神疾病成像数据进行自动标注。最后,由于目前基于人工智能的模型只能处理同源数据集,其泛化能力不足。因此,迁移学习,多视图学习和集成学习[106]将在遥远的将来用于处理大型精神疾病数据。5. 结论目前,MRI、EEG、动觉检查是精神疾病诊断的重要方法和参考。随着人工智能技术在医学中的应用日益广泛,传统的人工诊断方法正逐渐被淘汰,而MRI、EEG和动觉学在计算机辅助诊断方法中的作用越来越重要。因此,本研究主要综述了MRI、EEG和动觉的应用:①简要介绍了精神疾病诊断的过程,并分析了其中产生的主要数据类型;②介绍了人工智能技术在精神疾病466G.- D. Liu等/Engineering 6(2020)462-467疾病及其应用性能;③基于当前深度学习的热点问题,对疾病诊断方法进行总结和分析确认本研究得到了自然慢性非传染性疾病专项(2016YFC 1307201)、国 家 自 然 科 学 基 金 ( 61372138 、 81701328 、 81871061 和81371484)、国家重点研究发展计划(2018ZX 10201002和2016YFC1307200)、中国博士后科学基金(2017M612972)、四川大学朱鸿儒博士后基金(2018SCU 12042)和四川省科学遵守道德操守准则Guang-Di Liu、Yu-Chen Li、Wei Zhang和Le Zhang声明他们没有利益冲突或财务冲突需要披露。引用[1] Walker ER,McGee RE,Druss BG.精神障碍死亡率和全球疾病负担的影响:系统回顾和荟萃分析JAMAPsychiatry 2015;72(4):334-41.[2] GBD 2017 DALLS和HALE合作者。1990-2017年195个国家和地区359种疾病和 伤 害 的 全 球 、 区 域 和 国 家 残 疾 调 整 生 命 年 (DALs ) 以 及 健 康 预期寿 命( HALE ) : 2017 年 全 球 疾 病 负 担 研 究 的 系 统 分 析 。 柳 叶 刀 2018;392(10159):1859-922。[3] 美国疾病负担合作者。美国健康状况,1990-2016:美国各州的疾病,伤害和风险因素负担。JAMA 2018;319(14):1444-72。[4] 罗斯·N人类大脑计划:社会和伦理挑战。Neuron2014;82(6):1212-5.[5] 黄文忠,李晓梅,李晓梅.脑研究与临床精神病学:日本精神病学脑库的建立。 名古屋医学科学杂志2018;80(3):309-15。[6] [10] Poo MM,Du JL,Ip NY,Xiong ZQ,Xu B,Tan T.中国脑计划:基础神经科学、脑疾病和脑启发计算。Neuron 2016;92(3):591-6。[7] 因塞尔河NIMH研究领域标准(RDoC)项目:精准医学的paychiatry。 美国精神病学杂志2014;171(4):395-7。[8] KalmadySV,Greiner R,Agrawal R,Shivakumar V,Narayanaswamy JC,BrownMRG等人通过多脑分割集成学习改善精神分裂症预测来实现心理健康的人工智能。NPJ Schizophr 2019;5:2.[9] Esteva A,Robicquet A,Ramsundar B,Kuleshov V,DePristo M,Chou K等人。 Nat Med 2019;25:24-9.[10] Dwyer DB,Falkai P,Koutsouleris N.临床心理学和精神病学的机器学习方法。Annu Rev Clin Psychol 2018;14:91-118.[11] Sarma GP,Hay NJ,Safron A.人工智能的安全性和可重复性:为人类价值观的神经心理学建立坚实的基础。In:Gallina B,Skavhaug A,Schoitsch E,BitschF,editors. SAFECOMP 2018:计算机安全性,可靠性,和安全;2018Sep18-21;韦斯特罗斯,瑞典。Cham:Springer; 2018. p. 507- 12[12] Stead WW.人工智能和深度学习的临床意义和挑战。JAMA2018;320(11):1107-8。[13] 高华,尹智,曹智,张良。开发一个基于代理的药物模型来研究药物组合的协同效应。分子2017;22(12):2209。[14] XiaY,Yang CW,Hu N,Yang ZZ,He XY,Li TT,et al. 应用新的生存分析模型探讨与多形性胶质母细胞瘤患者生存时间相关的关键基因和信号转导通路。BMCGenomics2017;18:950.[15] Zhang L,Xiao M,Zhou JS,Yu J.基于斑马鱼LAUPs分析应用程序(JBLA)的哺乳动物基因组序列的谱系相关代表性不足排列(LAUPs)。 Bioinformatics2018;34(21):3624-30.[16] 杨A,孟海艳,Gaus YFBA,张F.通过视觉和声音表达自动分析抑郁水平的人工智能系统。IEEE Trans Cogn Dev Syst 2018;10(3):668-80.[17] WenHW,Liu Y,Wang SP,Li ZY,Zhang JS,Peng Y,et al. 多阈值白质结构网络融合对早期抽动秽语综合征儿童的准确诊断In:Armato SG,Petrick NA,editors.医学影像2017:计算机辅助诊断; 2017年2月11日至16日;美国佛罗里达州奥兰多。Bellingham:SPIE; 2017.第10134页1Q。[18] 李涛,程志,张磊. 历史匹配框架下免疫系统仿真中智能体模型参数估计新方法以甲型流感病毒感染为例。国际分子科学杂志2017;18(12):2592。[19] PengH,Peng T,Wen J,Engler DA,Matsunami RK,Su J,et al. 使用系统生物 学 方 法 表 征 用 于 耐 药 性 研 究 的 p38 MAPK 同 种 型 。 Bioinformatics2014;30(13):1899-907.[20] Luxton DD,编辑。人工智能在行为和精神卫生保健中的应用。北京:中国科学院出版社.[21] 华莱士河认知障碍及其障碍。在:华莱士R,编辑。计算精神病学。New York:Springer; 2017. p.129比52[22] Rosen BR , Huang SY , Stufflebeam SM. 推 动 人 类 神 经 成 像 的 极 限 。JAMA2015;314(10):993-4。[23] Hategan A,Bourgeois JA,Cheng T,Young J.临床老年精神病学中的神经心理学和神经影像学。In:Hategan A,Bourgeois JA,Cheng T,Young J,editors.老年精神病学研究指南。Cham:Springer;2018. p. 23比38[24] Park MTM,Raznahan A,Shaw P,Gogtay N,Lerch JP,Chakravarty MM.精神疾病的神经解剖表型:确定自闭症,ADHD和精神分裂症的会聚和发散皮质表型。JPsychiatry Neurosci 2018;43(3):201-12.[25] [10] 杨 文 , 李 文 . 神 经 影 像 学 的 巨 大 潜 力 和 光 明 前 景 。 Br J Radiol 2018;91(1087):20170505。[26] 韦伯生物学的深度学习 Nature 2018;554(7693):555-7.[27] Böhle M,Eitel F,Weygandt M,Ritter K.在结构MRI数据训练的深度神经网络中可视化阿尔茨海默病的证据2019. arXiv:1903.07317。[28] Carin L,Pencina MJ.深度学习用于医学图像分析。JAMA2018;320 (11):1192-3。[29] Wolfers T,Buitelaar JK,Beckmann CF,Franke B,Marquand AF.从估计激活位置到预测障碍:基于神经成像的精神病诊断模式识别综述。 NeurosciBiobehavRev 2015;57:328-49.[30] Arbabshirani MR,Plis S,Sui J,Calhoun VD.神经影像学中单一受试者预测脑部疾病:承诺与陷阱。Neuroimage 2017;145(PtB):137-65。[31] 作者:Andrea S,Mechelli A.使用深度学习研究精神和神经疾病的神经影像学相关性:方法和应用。Neurosci Biobehav Rev 2017;74(PtA):58-75。[32] Bengio Y.学习AI的深度架构。汉诺威:现在出版公司; 2009年[33] 李康Y,本吉奥Y,辛顿G.深度学习Nature2015;521(7553):436-44.[34] Calhoun VD,Sui J.脑成像数据的多模态融合:寻找复杂精神疾病中缺失环节的关键。Biol Psychiatry Cogn NeurosciNeuroimaging 2016;1(3):230-44.[35] [10] PlisSM ,Hjelm DR ,Salakhutdinov R, Allen EA ,Bockholt HJ,LongJD,et al. 神经成像的深度学习:验证研究。《 前线神经科学》 2014;8:229。[36] 帕扬A,蒙大拿G。预测阿尔茨海默病:一项使用3D卷积神经网络的神经成像研究。2015. arXiv:1502.02506。[37] Hosseini-AslE , Ghazal M , Mahmoud A , Aslantas A , Shalaby AM ,Casanova MF等人,通过3D深度监督自适应卷积网络进行阿尔茨海默病诊断。Front Biosci2018;23:584-96.[38] 张文忠,张文忠. fMRI大数据的深度学习:主题转移解码的新方法。2015. arXiv:1502.00093。[39] Heinsfeld AS,Franco AR,Craddock RC,Buchweitz A,Meneguzzi F. 使用深度学习和ABIDE数据集识别自闭症谱系障碍。神经影像临床2018;17:16-23.[40] [10] Grotegerd D,Suslow T,Bauer J,Ohrmann P,Arolt V,Stuhrmann A,etal. 通过功能磁共振成像和模式分类区分单相和双相抑郁症:一项初步研究。欧洲精神病学临床神经科学文献2013;263(2):119-31。[41] Kermany DS,Goldbaum M,Cai W,Valentim CCS,Liang H,Baxter SL,etal. 通过基于图像的深度学习识别医学诊断和可治疗疾病。Cell2018;172(5):1122.[42] Hannesdottir DK,Doxie J,Bell MA,Ollendick TH,Wolfe CD.儿童中期情绪调节和焦虑的纵向研究:与儿童早期额叶脑电不对称的关系Dev Psychobiol 2010;52(2):197-204.[43] AvramJ,Balt es,FR,MicleaM,MiuAC. 额叶脑电激活的不对称性反映了焦虑中的认 知 偏 差 : 来 自 情 绪 面 孔 Stroop 任 务 的 证 据 。 Appl PsychophysiolBiofeedback2010;35(4):285-92.[44] 放大图片作者:Kristan R,Jorgensen RS,Kim S.抑郁、焦虑与静息额叶脑电不对称:一项荟萃分析综述J Abnorm Psychol 2006;115(4):715-29.[45] 放大图片作者:Hosseinifard B,Moradi MH,Rostami R.利用机器学习技术和脑电信号的非线性特征对抑郁症患者和正常人进行分类。计算方法程序生物医学2013;109(3):339-45。[46] 放大图片作者:M.母亲抑郁对婴儿额叶脑电不对称性的影响国际神经科学杂 志2008;118(8):1081-108。[47] Iosifescu DV,Greenwald S,Devlin P,Mischoulon D,Denninger JW,AlpertJE , etal.FrontalEEGpredictorsoftreatmentoutcomeinmajordepressiondisorder. Eur Neuropsychopharmacol2009;19(11):772-7。[48] BischJ,Kreifelts B,Bretscher J,Wildgruber D,Fallgatter A,Ethnic T. 成人注意缺陷多动障碍的情绪知觉。J Neural Transm2016;123(8):961-70.G.- D. Liu等/Engineering 6(2020)462-467467[49] Lopez-DuranNL,Kuhlman KR,George C,Kovacs M. 抑郁症家族风险儿童的面部表情识别:高风险男孩对悲伤过度敏感。J Child Psychol Psychiatry2013;54(5):565-74.[50] 黄凯伯,莱赫M,艾伦NB。多通道加权语音分类系统预测青少年抑郁症 IEEETrans BiomedEng 2013;60(2):497-506。[51] SchererS,Stratou G,Mahmoud M,Boberg J,Gratch J,Rizzo A,等. 用于心理障碍分析的自动行为描述符。在:2013年第10届IEEE国际会议和自动人脸和手势承认;2013Apr22-26;中国上海Piscataway:IEEE;2013.[52] Girard JM,Cohn JF,Mahoor MH,Mavadati S,Rosenwald DP.社会风险和抑郁症:来自手动和自动面部表情分析的证据。In:Proceedings of 2013 10th IEEEInternationalConferenceandWorkshopsonAutomaticFaceandGestureRecognition; 2013 Apr 22 -26; Shanghai,China. Piscataway:IEEE;2013.[53] Wang P , Barrett F , Martin E , Milonova M , Gur RE , Gur RC , et al.Automatedvideo-based facial expression analysis of neuropsychiatric disorders.神 经 科学方法杂志2008;168(1):224-38.[54] Zhu Y,Shang Y,Shao Z,Guo G.基于深度网络对面部外观和动态进行编码的自动抑郁症诊断。IEEE跨影响计算2018;9(4):578-84。[55] [10] KiletschM , Pilgramm S , Bischoff M , Kindermann S , Sauerbier I ,Stark R,et al. 重度抑郁症改变了对情绪性身体运动的感知。《精神病学前沿》2014;5:4。[56] 吴伟杰,王伟杰,王伟杰. 识别伪装的面孔:人类和机器评估。PLoS ONE2014;9(7):e99212.[57] 李明,徐华,刘翔,陆S.基于k -近邻分类的多通道脑电信号情感识别。TechnolHealth Care 2018;26(Suppl1):509-19.[58] Righi G,Peissig JJ,Tarr MJ.识别伪装的面孔。Vis Cogn 2012;20(2):143-69.[59] Gelman A,Carlin JB,Stern HS,Dunson DB,Vehtari A,Rubin DB.贝叶斯数据分析。第3版 Boca Raton:CRC Press; 2014.[60] 齐格尔尼体育场药物联合治疗中的人工智能。简介Bioinform。Epub 2018 Feb9.[61] 张玲,白伟,袁宁,杜忠。全面基准应用程序检测拷贝数变异。PLoSComput Biol2019;15(5):e1007069。[62] Glick M,Jenkins JL,Nettles JH,Hitchings H,Davies JW.使用支持向量机、递归分割和拉普拉斯改进的朴素贝叶斯分类器,在噪声水平增加的情况下丰富高通量筛选数据。J Chem Inf Model 2006;46(1):193-200.[63] Ferrante M,Redish AD,Oquendo MA,Averbeck BB,Kinnane ME,GordonJA. 计算精神病学:2017年NIMH机遇与挑战研讨会的报告。 Mol Psychiatry2019;24:479-83.[64] Friston KJ,Redish AD,Gordon JA.计算疾病分类学和精确精神病学。ComprPsychiatry2017;1:2-23.[65] Anticevic A,Murray JD,编辑。计算精神病学:精神疾病的数学模型。伦敦:学术出版社;2017年。[66] GroveTB,Yao B,Mueller SA,McLaughlin M,Ellingrod VL,McInnisMG,et al. 贝叶斯模型比较法检测精神分裂症或精神病患者视觉整合障碍的特异性精神病学研究2018;265:271-8。[67] Hosmer DW Jr,Lemeshow S,Sturdivant RX.应用Logistic回归。第3版多伦多:约翰威利父子公司; 2013年。[68] 普雷吉邦湾 逻辑回归诊断。 Ann Stat1981;9(4):705-24.[69] Ng A. CS229讲义:G部分; 2000年。[70] Hagen E,Szymhovd M,Hesse M,Arnevik EA,Erga AH.用MoCA或BRIEF-A测量患有多物质使用障碍的年轻人的认知障碍-精神症状的意义J Subst AbuseTreat2019;97:21-7.[71] BarkerLC,Gruneir A,Fung K,Herrmann N,Kurdyak P,Lin E,et al. 预测 精 神 病 再 入 院 : 性 别 特 异 性 模 型 预 测 急 性 精 神 病 住 院 后 30 天 再 入 院 。SocPsychiatry PsychiatrEpidemiol 2018;53(2):139-49.[72] 沈CC,胡立英,蔡世杰,杨爱军,陈PM,胡永华。利用精神共病对边缘型人格障碍早期诊断的危险分层。早期干预精神病学2018;12(4):605-12。[73] 张玲,李军,尹珂,蒋志,李婷,胡荣,等。基于CT血管造影的高危脑内出血分析。出血患者使用数学模型。 BMC Bioinform 2019;20(增刊7):193。[74] 作者:Su J,Zhang H.一种快速决策树学习算法。In:Proceedings of the21stNational Conference on Artificial Intelligence; 2006 Jul 16-20; Boston,MA,USA. Palo Alto:AAAI Press; 2006.p. 500比5[75] 诺沃津决策树归纳的改进信息增益估计。2012. arXiv:1206.4620。[76] 小昆兰 决策树的归纳。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功