《抑鬱症fMRI數據分析方法及輔助診斷治療模型研究》是依託太原理工大學，由陳俊傑擔任項目負責人的面上項目。
基本介紹
- 中文名：抑鬱症fMRI數據分析方法及輔助診斷治療模型研究
- 項目類別：面上項目
- 項目負責人：陳俊傑
- 依託單位：太原理工大學
項目摘要,結題摘要,
項目摘要
隨著生活節奏加快，競爭壓力增大，越來越多人罹患抑鬱症，對社會危害極大。目前的診斷缺乏定量生理指標，大多依賴患者、家屬的描述和臨床醫生的問訊，這種主觀性較高的方式識別率低，延誤了最佳治療時間。而且治療手段主要藉助於心理疏導，長時間的艱難交流往往令疏導者感到單調乏味最終失去耐心，患者得不到理想的治療效果。本項目擬利用fMRI腦成像及先進的數據分析和認知建模技術，多角度分析抑鬱症患者的核磁影像數據（包括：抑鬱症患者的腦解剖結構數據、靜息態下的功能數據、情緒認知功能數據）；利用複雜網路理論、模式識別、分類、聚類等數據挖掘方法，進行數據驅動級的數據挖掘。力求建立合理的抑鬱症fMRI數據分析架構及符合實際的腦功能網路，挖掘客觀、有效的核磁影像學指標；同時通過分析患者的情感認知過程，進而構建抑鬱症影像學輔助診斷和治療模型，更好地輔助抑鬱症臨床診斷和心理治療。項目的研究有重大的理論意義和套用價值。
結題摘要
人腦是現實世界中最為複雜的網路系統之一。近年來，將複雜網路理論套用在神經認知科學中，利用複雜網路基本原理等方法進行屬性分析，以期發現網路基本屬性及節點間潛在的拓撲關係，為人腦的研究提供了一個新的方向。 本研究基於複雜網路理論，探討靜息態功能腦網路構建、分析及比較方法；利用功能腦網路進行網路指標組間比較，多角度進行組間差異分析；利用抑鬱症作為疾病模型驗證上述方法的臨床可用性，尋找在腦疾病狀態及基因影響下的變化規律，突破腦影像技術在精神疾病臨床診斷套用所面臨的瓶頸問題；針對網路表征，利用機器學習算法，建立抑鬱症輔助模型，以輔助臨床診斷套用。 研究主要創新工作包括有： （1）提出抑鬱症靜息態功能腦網路指標差異分析方法，並構建分類模型 研究分別對抑鬱症患者及健康人群的靜息態功能腦網路拓撲屬性從多個角度進行刻畫及比較分析，尋找組間差異，揭示抑鬱症在網路層面的指標變化規律。利用多種機器學習方法，將所發現的差異指標作為分類特徵，進行分類模型構建及性能評價。 （2）利用複雜網路模組劃分方法進行靜息態功能腦模組劃分，並提出抑鬱症模組結構差異分析技術 研究利用基於貪婪思想的CNM模組劃分算法，完成抑鬱組及對照組的靜息態功能腦網路模組劃分，並從模組的組成、模組角色、模組間的連線等角度，挖掘抑鬱症在模組結構的差異。利用差異模組指標進行分類研究，驗證方法的可靠性。 （3）提出基於基因的抑鬱症腦網路拓撲屬性差異分析技術 前人研究證明，基因對於腦網路的拓撲屬性則存在不同程度的影響。研究利用功能腦網路方法，挖掘GSK3β基因對於抑鬱症患者及正常對照的網路拓撲屬性差異，以探討腦網路的基因基礎。 （4）不同尺度規模對腦網路拓撲屬性組間差異影響分析 研究以抑鬱症為疾病模型，計算圖論分析研究中的基本網路拓撲屬性。定量分析節點規模對於上述指標的影響，並且比較其在正常人及抑鬱症患者中的相似性及差異性。為今後在進行組間指標差異分析，對於節點尺度的選擇提供重要的參考依據。 （5）提出基於局部信息方法的靜息態功能腦網路建模技術 研究將局部信息引入功能腦網路建模。結果表明，解剖距離和網路結構相似性的結合很好的實現了網路仿真。不同的局部信息指標仿真效果各有差異，一定程度上反映了腦網路的不同特徵。 課題組共授權發明專利1項，授權計算機軟體著作權1項，發表論文24篇，其中SCI檢索7篇，EI檢索2篇，培養研究生12名。
