[发明专利]一种基于弥散张量成像的抑郁症用药决策模型的构建方法

说明书

本发明公开了一种基于弥散张量成像的抑郁症用药决策模型的构建方法。该方法包括：构建全脑结构连接网络SN；构建分类器特征集合；构建双层stacking集成模型；药物选择标记物识别。该方法以客观的影像学指标来辅助抑郁症患者的临床用药决策，此过程没有人工参与判断，避免了主观因素带来的误差，模型找到不同用药被试的特异性影像学标记，为临床抗抑郁药物决策提供帮助。

技术领域

本发明涉及用药模型构建方法，具体涉及一种基于弥散张量成像的抑郁症用药决策模型的构建方法。

背景技术

抑郁症是一种异质性很强的精神类疾病，个体抑郁症患者在治疗反应上存在着显著的差别，治疗效果的异质性往往使得临床用药决策更为复杂。目前，精神科医师对抑郁症患者进行抗抑郁药物治疗大多依据患者的临床表现和主诉症状等，具有很强的主观性，对临床医生的问询经验具有极高的要求。因此，即使应用了最佳实践指南，抑郁症治疗的反应率和缓解率仍然很低。大多数患者都需经过几个疗程或者“反复试错”才能达到缓解，然而反复的临床试药不仅增加了医疗系统的负担，同时也增加了患者的治疗成本和治疗时间。

此外，目前的一些基线模型大多为纯数据驱动，在一定程度上忽略了模型的生理学可解释性。且多数仅仅预测用药4周或者8周的治疗反应，未考虑过抑郁症患者早期治疗疗效。研究抑郁症治疗早期的大脑恢复机制，将有利于调整治疗手段、减少医疗资源浪费的作用。

发明内容

发明目的：本发明的模型以客观的影像学指标来辅助抑郁症患者临床用药决策，解决目前临床抑郁症用药的不足。

技术方案：本发明提供的一种基于弥散张量成像的抑郁症用药决策模型的构建方法，包括如下步骤：

(1)构建全脑结构连接网络SN(Structural Network)：利用自动解剖标记模板和弥散张量图像，计算每个建模样本的全脑结构连接矩阵；

(2)构建分类器特征集合：按照建模样本的用药情况以及患者的汉密尔顿量表17项在抗抑郁药物治疗2周后的减分率，将整个建模样本集分为SSRI改善组和SNRI改善组；提取先验脑区的对外结构连接矩阵，构造基分类器特征集合，并进行基分类器的训练；

(3)构建双层stacking集成模型：依据每个先验脑区对外结构连接矩阵，构建第一层基分类器，并用留一法LOOCV(Leave one out cross-validation)预测得到一个最终的输出；采用stacking集成方法，将第一层基分类器的输出作为第二层输入特征集合，从而构建得到双层集成分类器模型。

(4)药物选择标记物识别：在基模型中，依据敏感度曲线和特异度曲线分别得到最优的特征个数，依据敏感度最优特征和特异度最优特征分别重新构建基模型，并进行集成。在每次集成模型训练的过程中依次剔除一个基模型，计算相对于原始敏感性/特异性最优集成模型的敏感性和特异性变化值，变化最大的即为药物选择标记物。

进一步地，步骤(1)所述大脑结构网络构建过程如下：使用自动解剖标记模板(AAL结构模板)将建模样本中每个样本被试的大脑分成90个脑区，每个脑区作为脑结构网络的节点。对建模样本中每个被试的弥散张量数据进行纤维束示踪，两脑区对之间的纤维束连接作为脑结构网络的边，计算弥散各向异性指数FA(Fractional Anisotropy)为边的权重。

进一步地，步骤(2)所述构建基分类器特征集合，包括用药标签集合和影像特征集合两种，方法如下：

(1)用药标签：SSRI改善组和SNRI改善组为患者经过SSRI或SNRI进行2周治疗后HAMD量表17项总分的减分率达到20％，其中，经过单一SSRI用药的患者为SSRI改善组，经过单一SNRI用药的患者记为SNRI改善组。其中SSRI类药物包括：舍曲林，帕罗西汀，氟伏沙明，氟西汀和艾司西酞普兰，SNRI类药物包括文拉法辛和度洛西汀。