Using neural networks to identify psychosis from fMRI data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2020-01-20
Department
Major/Subject
Human Neuroscience and Technology
Mcode
SCI3061
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
56+5
Series
Abstract
While brain imaging is an integral part of neurology in the context of diagnosis and/or treatment of, e.g., stroke, tumors, and epilepsy, it has yet to achieve viability in the field of clinical psychiatry. However, machine learning has already been applied for neuroimaging analysis in previous academic studies related to, e.g., schizophrenia and psychosis ([Rikandi et al., 2016];[Dwyer et al., 2018];[Shatte et al., 2019]). Being able to use computational methods to identify psychiatric disorders and eventually to predict patient outcome from brain imaging data could prove to be very useful for the medical community and patients suffering from these disorders, but there is no consensus yet on the optimal approach. In this work, a single-layer neural network was trained with 33 first-episode psychosis (FEP) patients and 51 healthy controls with the goal of identifying FEP from time-windowed functional magnetic resonance imaging (fMRI) data. The subjects were shown an edited version of the movie Alice in Wonderland (Tim Burton, 2010). The neural network was trained separately and repeatedly for different time windows and imaging resolutions, using whole brain data. The highest average classification accuracy over 100 runs for any single time window and resolution was 73.10%, while the average overall accuracy for all time windows was 58.34%. While the results for the vast majority of resolutions and time windows are above both theoretical and empirical chance level accuracies, more research is needed to achieve clinical viability.Aivokuvantamista käytetään jo nyt kliinisissä ympäristöissä neurologisten häiriöiden ja poikkeamien kuten esimerkiksi aivoinfarktin, kasvainten, ja epilepsian diagnosoinnissa sekä hoidossa. Se ei kuitenkaan ole vielä käytössä psykiatrian alalla. Aivokuvien koneellisen tarkastelun menetelmiä on kuitenkin kehitetty esimerkiksi koneoppimismenetelmien avulla akateemisessa ympäristössä muun muassa skitsofrenian ja psykoosin tutkimuksessa ([Rikandi et al., 2016];[Dwyer et al., 2018];[Shatte et al., 2019]). Laskennallisten mallien soveltaminen psykiatristen häiriöiden tunnistamiseen ja myö- hemmin mahdollisesti myös paranemisennusten luomiseen aivodatan perusteella voisi osoittautua erittäin hyödylliseksi sekä häiriöistä kärsiville potilaille että heitä hoitaville lääkäreille. Psykiatrian alalla ei kuitenkaan vielä ole yhteisymmärrystä siitä, mitkä ovat parhaimmat analysointimenetelmät aivokuvantamisen yhteydessä. Tässä työssä koulutettiin yksinkertainen, yksikerroksinen neuroverkko, jonka tarkoituksena oli luokitella ensipsykoosista hiljattain kärsineet potilaat ja terveet kontrollit eri ryhmiin pelkän toiminnallisen magneettikuvauksen avulla mitatun aivodatan perusteella. Koehenkilöille näytettiin mittauksen aikana lyhennetty ja muokattu versio elokuvasta Liisa Ihmemaassa (Tim Burton, 2010). Neuroverkko koulutettiin erikseen ja toistuvasti eri aikaikkunoille ja kuvantamistarkkuuksille käyttäen koko aivojen aktiviteettia koulutusdatana. Korkein saavutettu luokittelutarkkuus 100 ajon yli yksittäiselle aikaikkunalle ja kuvantamistarkkuudelle oli 73.10%, ja keskiarvo luokittelutarkkuudelle kaikkien aikaikkunoiden yli oli 58.34%. Vaikkakin ennustustarkkuus valtaosalle kuvantamistarkkuuksista ja aikaikkunoista ylsi sekä teoreettisen että käytännössä mitatun satunnaistarkkuuden yläpuolelle, tarvitaan lisää tutkimusta ennen kuin tässä tutkimuksessa käytettyä menetelmää voidaan pitää lupaavana kliinistä käyttöä silmällä pitäen.Description
Supervisor
Sams, MikkoThesis advisor
Gotsopoulos, AthanasiosKeywords
psychosis, machine learning, neural networks, naturalistic stimuli, fMRI