论文总字数：34186字

摘 要

抑郁症是一种发病率高、危害性大的常见精神疾病。由于其神经病理机制尚未被确定，目前对于抑郁症的诊断和治疗大部分根据临床症状和经验，缺乏能对疗法选择和疗效预测提供可靠信息的客观标准。

本文采用机器学习的方法，对被试静息态脑网络功能连接网络和相关基因位点数据进行特征提取并构建分类模型，以实现对抗抑郁药物在水体水平上进行疗效预测。

首先，以全脑静息态功能连接数据为特征，进行学习建模，得到基线结果。其次，分别以全脑脑区和与抑郁症疗效预测相关的先验脑区对外的功能连接数据为特征，进行学习建模，证实了先验脑区的重要判别作用。最后，以先验脑区对外的功能连接数据和相关基因位点数据为特征，分别进行基因串行和并行两种输入模式下的学习建模，证实了基因特征对基于脑网络连接特征分类模型的优化作用，并发现了先以基因特征聚类能有效提高相关脑网络特征在模型中的辨别作用。

关键词：抑郁症，疗效预测，功能连接，基因，机器学习

ABSTRACT

Depression is a common mental disease with high morbidity and great harm. Since its neuropathological mechanism has not yet been determined, the current diagnosis and treatment selection of depression is mainly based on clinical symptoms and psychiatrist’s experience, and lacks objective criteria that can provide reliable information for treatment selection and prediction of treatment outcomes.

In this paper, the algorithm of machine learning is used to extract features of the resting-state brain network functional connectivity data and related gene locus data， and to construct a classification model to achieve the prediction of treatment outcomes of SSRIs pharmacotherapy at the level of the individual patient.

Firstly, resting-state functional connectivity data of the whole brain is used as initial features to construct the classification model to obtain a baseline result. Secondly, the functional connectivity vectors of the whole brain regions and the priori brain regions associated with the prediction of treatment outcomes were respectively used to construct the model, confirming the important discriminative role of the priori brain regions. Finally, the functional connectivity data and related gene locus data were considered together. The genetic features are used by two input modes, serial and parallel input respectively. The optimization effect of the genetic features is confirmed. Results demonstrated that clustering by genetic features can effectively improve the discrimination of some brain network features in the model.

KEY WORDS: depression, prediction, treatment, functional connectivity, gene, machine learning

目 录

摘要 1

ABSTRACT 2

第一章 绪论 1

1.1 研究背景和研究意义 1

1.1.1 抑郁症及疗效预测概述 1

1.1.2 抑郁症疗效预测的静息态脑网络连接研究 1

1.1.3 抑郁症疗效预测的基因研究 2

1.1.4 机器学习在抑郁症疗效预测中的应用 2

1.2 本文的研究内容和创新点 3

第二章 研究对象和数据采集 4

2.1 研究对象 4

2.2 功能磁共振数据采集和预处理 5

2.3 基因数据采集 6

第三章 静息态脑网络连接特征的机器学习建模 8

3.1 建模思路与方法 8

3.2 全脑功能连接特征建模 9

3.2.1 特征选取 9

3.2.2 结果与讨论 9

3.3 全脑脑区对外功能连接特征建模 11

3.3.1 一级分类器特征选取 12

3.3.2 二级分类器特征选取 14

3.3.3 结果与讨论 14

3.4 先验脑区对外功能连接特征建模 16

3.4.1 一级分类器特征选取 17

3.4.2 二级分类器特征选取 17

3.4.3 结果与讨论 17

3.5 本章讨论与总结 20

第四章 静息态脑网络连接特征与基因特征联合的机器学习建模 21

4.1 建模思路与方法 21

4.2 基因特征并行输入联合建模 23

4.2.1 分类器特征选取 23

4.2.2 结果与讨论 23

4.3 基因特征串行输入联合建模 26

4.3.1 基因特征聚类 26

4.3.2 各分类器特征选取 26

4.3.3 结果与讨论 27

4.4 本章总结与讨论 29

第五章 总结与展望 31

致谢 33

参考文献 34

绪论

研究背景和研究意义

抑郁症及疗效预测概述

抑郁症是一种发病率高、危害性大的性感障碍性精神疾病，其主要表征为持续的情绪低落、心理焦虑、行为异常和睡眠失调^[1]。重度抑郁症（Major Depression Disorder, MDD）患者的终生患病率估计约为17％，患病对其生活质量、患并发症和自杀风险均有显著影响^[2]。世界卫生组织近期的一项报告显示，抑郁症将在2020年成为对人类致死和致残的第二大类疾病。

抑郁症给患者、家庭及社会带来了沉重负担。但与此同时，抑郁症发病机制复杂，涉及多系统、多环节的功能失调，可表现为多种生化物质的动态平衡异常^[3]。虽然已有大量动物研究尝试探索与抑郁症相关的生化机制，但其具体的致病机理至今尚未被得知。正是由于抑郁症在病理上的这种异质性，目前对于抑郁症的诊断和治疗尚缺乏客观可靠的生物标记。大部分临床诊断主要使用以症状为参考的标准，治疗方案也主要根据临床医生的经验决定。

剩余内容已隐藏，请支付后下载全文，论文总字数：34186字