Publicaciones - FIDMAG, Fundación para la investigación

USO DE COOKIES
Utilizamos cookies necesarias de sistema para el correcto funcionamiento de la web y cookies opcionales de Google Analytics para obtener estadísticas de visita. +info

Configuración cookies

Necesarias

Las cookies necesarias son absolutamente esenciales para que el sitio web funcione correctamente. Esta categoría sólo incluye galletas que garantizan funcionalidades básicas y funciones de seguridad del sitio web. Estas cookies no almacenan información personal.

Nombre	Proveedor	Propiedad	Finalidad	Caducidad
_GRECAPTCHA	google.com	Propia	proveer protección antispam con el servicio el servicio reCaptcha	6 meses
cc_cookie_accept	fidmag.org	Propia	Usada per confirmar que l'usuari ha confirmat / refusat les cookies (i quins tipus accepta)	1 any
WEB_SESSION	fidmag.org	Propia	Cookie técnica: cookie de sessió PHP. Guarda l'id de sessió d'usuari.	al acabar la sessió

Análisis

Les cookies analítiques s'utilitzen per entendre com interactuen els visitantes 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.

Nombre	Proveedor	Propiedad	Finalidad	Caducidad
_ga	Google Analytics	De terceros	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	De terceros	Cookie d'anàlisi o mesurament: Tracking per part de google per google analytics	1 minut
_gid	Google Analytics	De terceros	Cookie d'anàlisi o mesurament: S'usa per limitar el percentatge de sol·licituds	24 hores

Configurar Rechazar todas Aceptar

Inicio
> Investigación

Volver a los resultados

FI
4.259

38212349

2024 Scientific Reports

Multi-site benchmark classification of major depressive disorder using machine learning on cortical and subcortical measures.

Belov V, Erwin-Grabner T, Aghajani M, Aleman A, Amod AR, Basgoze Z, Benedetti F, Besteher B, Bülow R, Ching CRK, Connolly CG, Cullen K, Davey CG, Dima D, Dols A, Evans JW, Fu CHY, Gonul AS, Gotlib IH, Grabe HJ, Groenewold N, Hamilton JP, Harrison BJ, Ho TC, Mwangi B, Jaworska N, Jahanshad N, Klimes-Dougan B, Koopowitz SM, Lancaster T, Li M, Linden DEJ, MacMaster FP, Mehler DMA, Melloni E, Mueller BA, Ojha A, Oudega ML, Penninx BWJH, Poletti S, Pomarol-Clotet E, Portella MJ, Pozzi E, Reneman L, Sacchet MD, Sämann PG, Schrantee A, Sim K, Soares JC, Stein DJ, Thomopoulos SI, Uyar-Demir A, van der Wee NJA, van der Werff SJA, Völzke H, Whittle S, Wittfeld K, Wright MJ, Wu MJ, Yang TT, Zarate C, Veltman DJ, Schmaal L, Thompson PM, Goya-Maldonado R

Servicio limitado a colaboradores de la res de centros de Hermanas Hospitalarias. Recibireis un mensaje en vuestro correo electrònico con un enlace para la descarga del presente artículo.

Abstract

Machine learning (ML) techniques have gained popularity in the neuroimaging field due to their potential for classifying neuropsychiatric disorders. However, the diagnostic predictive power of the existing algorithms has been limited by small sample sizes, lack of representativeness, data leakage, and/or overfitting. Here, we overcome these limitations with the largest multi-site sample size to date (N = 5365) to provide a generalizable ML classification benchmark of major depressive disorder (MDD) using shallow linear and non-linear models. Leveraging brain measures from standardized ENIGMA analysis pipelines in FreeSurfer, we were able to classify MDD versus healthy controls (HC) with a balanced accuracy of around 62%. But after harmonizing the data, e.g., using ComBat, the balanced accuracy dropped to approximately 52%. Accuracy results close to random chance levels were also observed in stratified groups according to age of onset, antidepressant use, number of episodes and sex. Future studies incorporating higher dimensional brain imaging/phenotype features, and/or using more advanced machine and deep learning methods may yield more encouraging prospects.