Publicacions - FIDMAG, Fundació per a la recerca

US DE COOKIES
Utilitzem cookies necessàries de sistema per al correcte funcionament de la web i cookies opcionals de Google Analytics per obtenir estadístiques de visita. +info

Configuració cookies

Necessàries

Les cookies necessàries són absolutament essencials perquè el lloc web funcioni correctament. Aquesta categoria només inclou galetes que garanteixen funcionalitats bàsiques i funcions de seguretat del lloc web. Aquestes cookies no emmagatzemen cap informació personal.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_GRECAPTCHA	google.com	1	Proveir protecció antispam amb el servei reCaptcha	6 mesos
cc_cookie_accept	fidmag.org	1	Usada per confirmar que l'usuari ha confirmat / refusat les cookies (i quins tipus accepta)	1 any
WEB_SESSION	fidmag.org	1	Cookie técnica: cookie de sessió PHP. Guarda l'id de sessió d'usuari.	al acabar la sessió

Anàlisi

Les cookies analítiques s'utilitzen per entendre com interactuen els visitants amb el lloc web. Aquestes cookies ajuden a proporcionar informació sobre mètriques, el nombre de visitants, el percentatge de rebots, la font del trànsit, etc.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_ga	Google Analytics	2	Cookie d'anàlisi o mesurament: Identifica els usuaris i proporciona informació sobre com els usuaris troben la pàgina web i com la utilitzen per a realització d'Informes estadístics	2 anys
_gat_gtag_UA_141706552_1	Google Analytics	2	Cookie d'anàlisi o mesurament: Tracking per part de google per google analytics	1 minut
_gid	Google Analytics	2	Cookie d'anàlisi o mesurament: S'usa per limitar el percentatge de sol·licituds	24 hores
_guid	linkedin	2	Identifica de manera única els visitants per a finalitats d’anàlisi.	90 dies
AnalyticsSyncHistory	linkedin	2	Emmagatzema informació sobre la sincronització de dades amb serveis d’anàlisi.	30 dies
bcookie	linkedin	2	Identifica dispositius de forma única per motius de seguretat i detecció d’abús.	2 anys
li_gc	linkedin	2	Desa el consentiment de l’usuari sobre l’ús de cookies no essencials.	6 mesos
li_mc	linkedin	2	Emmagatzema dades d’identificadors per a la sincronització i segmentació publicitària.	2 anys
liap	linkedin	2	Manté l’estat d’inici de sessió dels usuaris de LinkedIn.	1 any
lidc	linkedin	1	Utilitzada per al balanç de càrrega entre servidors per assegurar el bon funcionament de LinkedIn.	24 hores
UserMatchHistory	linkedin	2	Emmagatzema informació sobre visites per realitzar retargeting publicitari.	30 dies

Configurar Rebutjar totes Acceptar Totes

Tornar als resultats

FI
13.2

41044403

2026 Molecular Psychiatry

Classification of major depressive disorder using vertex-wise brain sulcal depth, curvature, and thickness with a deep and a shallow learning model.

Goya-Maldonado , Erwin-Grabner , Zeng , Ching , Aleman , Amod , Basgoze , Benedetti , Besteher , Brosch , Bülow , Colle , Connolly , Corruble , Couvy-Duchesne , Cullen , Dannlowski , Davey , Dols , Ernsting , Evans , Fisch , Fuentes-Claramonte , Gonul , Gotlib , Grabe , Groenewold , Grotegerd , Hahn , Hamilton , Han , Harrison , Ho , Jahanshad , Jamieson , Karuk , Kircher , Klimes-Dougan , Koopowitz , Lancaster , Leenings , Li , Linden , MacMaster , Mehler , Meinert , Melloni , Mueller , Mwangi , Nenadić , Ojha , Okamoto , Oudega , Penninx , Poletti , Pomarol-Clotet , Portella , Radua , Rodríguez-Cano , Sacchet , Salvador , Schrantee , Sim , Soares , Solanes , Stein , Stein , Stolicyn , Thomopoulos , Toenders , Uyar-Demir , Vieta , Vives-Gilabert , Völzke , Walter , Whalley , Whittle , Winter , Wittfeld , Wright , Wu , Yang , Zarate , Veltman , Schmaal , Thompson

Servei limitat a col·laboradors/res de la xarxa de centres de Germanes Hospitalàries. Rebreu un missatge al vostre correu-e amb un enllaç per a la descàrrega del present article.

Abstract

Major depressive disorder (MDD) is a complex psychiatric disorder that affects the lives of hundreds of millions of individuals around the globe. Even today, researchers debate if morphological alterations in the brain are linked to MDD, likely due to the heterogeneity of this disorder. The application of deep learning tools to neuroimaging data, capable of capturing complex non-linear patterns, has the potential to provide diagnostic and predictive biomarkers for MDD. However, previous attempts to demarcate MDD patients and healthy controls (HC) based on segmented cortical features via linear machine learning approaches have reported low accuracies. In this study, we used globally representative data from the ENIGMA-MDD working group containing 7012 participants from 31 sites (N = 2772 MDD and N = 4240 HC), which allows a comprehensive analysis with generalizable results. Based on the hypothesis that integration of vertex-wise cortical features can improve classification performance, we evaluated the classification of a DenseNet and a Support Vector Machine (SVM), with the expectation that the former would outperform the latter. As we analyzed a multi-site sample, we additionally applied the ComBat harmonization tool to remove potential nuisance effects of site. We found that both classifiers exhibited close to chance performance (balanced accuracy DenseNet: 51%; SVM: 53%), when estimated on unseen sites. Slightly higher classification performance (balanced accuracy DenseNet: 58%; SVM: 55%) was found when the cross-validation folds contained subjects from all sites, indicating site effect. In conclusion, the integration of vertex-wise morphometric features and the use of the non-linear classifier did not lead to the differentiability between MDD and HC. Our results support the notion that MDD classification on this combination of features and classifiers is unfeasible. Future studies are needed to determine whether more sophisticated integration of information from other MRI modalities such as fMRI and DWI will lead to a higher performance in this diagnostic task.