【技术实现步骤摘要】
本专利技术涉及医疗数据处理技术，特别是一种抑郁症复发风险预测方法、终端设备及计算机程序产品。
技术介绍
1、抑郁症是一种复发风险极高的精神障碍。据统计，平均每位患者在其一生中会经历4次抑郁发作，带来重大的疾病负担。此外，抑郁症复发会对患者的大脑结构和功能以及认知功能产生不可逆的消极影响。在此背景下，预防抑郁症的复发成为临床治疗的重要挑战。传统的预测方法主要依赖于临床评估和患者的自我报告，限制了其预测的准确性。因此，需要一种更为客观精准的方法来预测抑郁症复发。为了解决这一问题，我们提出了一项基于反刍任务态脑网络的抑郁症复发预测模型，通过分析患者在执行反刍任务时的大脑功能连接模式，实现对抑郁症复发风险的准确预测。
2、反刍是一种适应不良的认知方式，主要表现为个体反复思考消极事件和消极情绪状态及其产生的原因和结果。大量研究表明，反刍与抑郁症密不可分，被认为是抑郁症开始、持续和复发的一个潜在因素。即使患者正处于抑郁症缓解期，反刍仍会继续；此外，反刍也会增加复发的风险以及缩短复发的时间。既往研究发现反刍思维是抑郁症复发的重要心理学特征，近期的研究表明介导反刍等内部心理活动的默认模式网络(dmn)可能和抑郁症的复发相关。此外，先前的证据发现大部分与抑郁症复发相关的脑功能特征分布在dmn，这提示我们反刍相关的脑功能特点可能是抑郁症反复发作的神经生物学基础。此外，既往研究表明特定任务态的功能磁共振能够放大个体在功能连接特征方面的差异，从而更精准的预测个体的表型或者疾病的预后。例如，greene等人发现基于工作记忆任务态下的脑功能连接
技术实现思路
1、本专利技术所要解决的技术问题是，针对现有技术不足，提供一种抑郁症复发风险预测方法、终端设备及计算机程序产品，提高对抑郁症复发风险的预测准确性。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种抑郁症复发风险预测方法，包括以下步骤：
3、s1、获取缓解期抑郁症患者结构态磁共振和反刍状态下的功能磁共振数据，即利用三维梯度回波成像序列获得t1加权图像，得到结构像；利用梯度回波t2*加权的回波平面成像序列获得大脑处于反刍状态时的fmri数据，得到功能像；
4、s2、对所述结构像和功能像进行预处理，得到各脑区时间序列数据；
5、s3、基于各脑区的时间序列数据，计算各用户的脑网络间功能连接强度；脑网络间功能连接强度定义为每一对脑网络下所属脑区之间的所有功能连接的平均值，其中脑区之间的功能连接通过计算该对脑区时间序列的皮尔逊相关系数并经过fisher-z变换后得到，且将负连接的值置为零。将各用户的脑网络间功能连接强度作为各自的特征。
6、s4、将所有用户的特征及复发标签组成数据集，划分所述数据集，得到训练集，利用训练集训练logistic lasso回归模型，得到复发预测模型。
7、本专利技术中，复发标签是事先标定的，抑郁症复发标注为1，未复发标注为0。
8、本专利技术建立了抑郁症复发的预测模型，以利用缓解期抑郁症患者反刍状态下功能连接模式预测未来一段时间(例如一年内)患者是否复发，提高了对抑郁症复发风险的预测准确性。
9、上述步骤s2的具体实现过程包括：
10、将结构像和功能像的dicom原始文件分别转换成nifti格式文件，进行结构像颅骨头皮剥离，将结构像中的图像与对应的功能像进行刚性配准，对结构像进行非线性配准，得到配准参数；
11、对所述功能像进行时间层校正和头动校正，从校正后的功能像中回归不感兴趣的协变量(即通过建立不感兴趣的协变量和功能像之间的多元线性回归模型，得到不感兴趣协变量影响的回归方程，再将不感兴趣的协变量的系数设为零，从而将其对功能像的影响提出，得到回归处理后的功能像)，对回归处理后的功能像进行带通滤波，得到预处理的功能像；
12、利用所述配准参数将roi脑模板从mni空间配准到个人空间，将个人空间的roi脑模板叠加到预处理后的功能像，获得各个脑区的时间序列数据。
13、上述预处理步骤可以提高数据质量，减少噪声，使得后续的数据分析更加可靠和准确，提高模型的可信度。
14、脑网络间功能连接强度计算公式为：其中，ck和cl分别表示脑网络k和l，nk和nl分别表示脑网络k和l下所属脑区的数量，si和sj分别表示脑区i和脑区j的时间序列，μi和μj分别表示脑区i和j时间序列的均值，e[·]和σ(·)分别表示数学期望和标准差。
15、所述logistic lasso回归模型的目标函数为：
16、β0,β是待确定的参数，m为训练集样本量大小，是预测的复发概率，λ是正则化超参数，‖·‖1为向量的1范式，xi为第i个用户的特征集。
17、步骤s4中，划分所述数据集时，将训练集和测试集的样本数量比例设定为4:1。
18、作为一个专利技术构思，本专利技术还提供了一种终端设备，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本专利技术上述方法的步骤。
19、作为一个专利技术构思，本专利技术还提供了一种计算机程序产品，包括计算机程序/指令；该计算机程序/指令被处理器执行时实现本专利技术上述方法的步骤。
20、与现有技术相比，本专利技术所具有的有益效果为：本专利技术建立了抑郁症复发的预测模型，以利用缓解期抑郁症患者反刍状态下功能连接模式预测未来一段时间(例如一年内)患者是否复发，从而有助于做出更好的复发预防临床决策。
本文档来自技高网...【技术保护点】
1.一种抑郁症复发风险预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的抑郁症复发风险预测方法，其特征在于，步骤S2的具体实现过程包括：
3.根据权利要求1所述的抑郁症复发风险预测方法，其特征在于，脑网络间功能连接强度计算公式为：其中，Ck和Cl分别表示脑网络k和l，Nk和Nl分别表示脑网络k和l下所属脑区的数量，si和sj分别表示脑区i和脑区j的时间序列，μi和μj分别表示脑区i和j时间序列的均值，E[·]和σ(·)分别表示数学期望和标准差。
4.根据权利要求1所述的抑郁症复发风险预测方法，其特征在于，所述Logistic LASSO回归模型的目标函数为：β0,β是待确定的参数，m为训练集样本量大小，是预测的复发概率，λ是正则化超参数，‖·‖1为向量的1范式，Xi为第i个用户的特征集。
5.根据权利要求1所述的抑郁症复发风险预测方法，其特征在于，步骤S4中，划分所述数据集时，将训练集和测试集的样本数量比例设定为4:1。
6.一种终端设备，包括存储器、处理器及存储在存储器上的计算机程序；其特征在于，所述处理器
7.一种计算机程序产品，包括计算机程序/指令；其特征在于，该计算机程序/指令被处理器执行时实现权利要求1～5之一所述方法的步骤。
...【技术特征摘要】
1.一种抑郁症复发风险预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的抑郁症复发风险预测方法，其特征在于，步骤s2的具体实现过程包括：
3.根据权利要求1所述的抑郁症复发风险预测方法，其特征在于，脑网络间功能连接强度计算公式为：其中，ck和cl分别表示脑网络k和l，nk和nl分别表示脑网络k和l下所属脑区的数量，si和sj分别表示脑区i和脑区j的时间序列，μi和μj分别表示脑区i和j时间序列的均值，e[·]和σ(·)分别表示数学期望和标准差。
4.根据权利要求1所述的抑郁症复发风险预测方法，其特征在于，所述logistic lasso回归模型...
【专利技术属性】
技术研发人员：鞠玉朦，舒苏，张燕，刘帮杉，柳进，孟凡煜，
申请(专利权)人：中南大学湘雅二医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。