一种抑郁症临床预后预测模型的构建方法技术

本发明专利技术提供一种抑郁症临床预后预测模型的构建方法，包括如下步骤：采集抑郁症患者的脑影像，对脑影像进行数据处理，筛选得到以下预后指标：边缘网络的Za值以及左侧背侧注意网络的中央后回、右侧躯体运动网络的躯体运动皮质、右侧背侧注意网络的中央后回、右侧默认网络的腹内侧前额叶皮质的DFC值；基于所述预后指标构建二元逻辑回归方程，即得预测模型。该方法灵敏度、特异度以及准确率高，能有效预测患者预后，有利于分配医疗资源，制定合适的治疗方案，指导个体化治疗，在临床上具有较好的应用前景。应用前景。应用前景。

【技术实现步骤摘要】
一种抑郁症临床预后预测模型的构建方法


[0001]本专利技术属于疾病诊断
，具体涉及一种抑郁症临床预后预测模型的构建方法。

技术介绍

[0002]重性抑郁症发作(Major depressive disorder，简称抑郁症，MDD)，以显著持续的心境低落为主要特征。严重者会出现幻觉、妄想等精神病症状。MDD影响着全世界6％的人口，其自杀风险是普通人群的20倍，每年全世界50％的自杀人群是抑郁症病人。MDD的传统治疗手段主要是药物治疗，但是约有30％的患者会对抗抑郁药缺乏反应。因此，早期识别MDD患者的预后状况具有重大价值。
[0003]目前MDD患者预后通常会通过临床特征、血液因子、基因、影像等指标来评估。首发年龄小、症状较严重或有精神病性症状等临床特征通常提示了较差的预后，这些临床特征主要通过患者表述或临床观察来获取，易于操作，但因存在患者的记忆偏差或他人的主观性判断可能导致评估结果的可靠性及稳定性降低。通过血液因子或基因指标来判断患者的预后则更加客观，但由于这类检测价格较高昂，因此并不适宜在临床上大量运用。

技术实现思路

[0004]本专利技术提供了一种抑郁症临床预后预测模型的构建方法，该方法灵敏度、特异度以及准确率高，能有效预测患者预后。
[0005]为解决上述技术问题，本专利技术提供了以下技术方案：
[0006]本专利技术提供一种抑郁症临床预后预测模型的构建方法，包括如下步骤：采集抑郁症患者的脑影像，对脑影像进行数据处理，筛选得到以下预后指标：边缘网络的Za值以及左侧背侧注意网络的中央后回、右侧躯体运动网络的躯体运动皮质、右侧背侧注意网络的中央后回、右侧默认网络的腹内侧前额叶皮质的DFC值；基于所述预后指标构建二元逻辑回归方程，即得预测模型。
[0007]优选的，所述脑影像包括脑结构影像和脑功能影像。
[0008]优选的，所述脑影像数据处理包括如下步骤：对脑功能影像进行基于体素的预处理；对预处理后的脑功能影像组进行脑区划分，计算得FC矩阵，对所述FC矩阵进行标准化处理，得相关FC值；对脑功能影像和脑结构影像进行基于皮层的预处理，采用滑动时间窗方法计算脑动态功能连接图，对所述动态功能连接图进行脑区划分，并提取各脑区所对应信号值，得各脑区的DFC值；采用逐步前进法对所述FC值和所述各脑区的DFC值进行筛选，得出预后指标。
[0009]优选的，所述基于体素的预处理的过程包括：去除时间点、时间层校正、头动校正、空间平滑、配准到MNI空间、回归协变量和带通滤波。
[0010]优选的，所述基于皮层的预处理的过程包括：对结构影像进行分割，重建皮层、时间层校正、头动校正、回归协变量、平滑和带通滤波。
[0011]优选的，所述滑动时间窗方法计算步骤如下：(1)采用滑动时间窗方法计算每一灰质顶点在每个时间窗下与全脑其余灰质顶点DFC的二维矩阵；(2)以时间窗为评分者对所得每一个灰质顶点的二维矩阵进行计算，得到二维矩阵的肯德尔和谐系数作为该灰质顶点的功能稳定性值；(3)对被试的全脑灰质顶点进行逐一计算后得到所有灰质顶点的功能稳定性值；(4)对所有灰质顶点的功能稳定性值进行FisherZ标准化，形成并输出被试的脑动态功能稳定性三维脑图。
[0012]优选的，所述边缘网络的Za值为边缘网络各个脑区与其他各网络所有脑区的FC的平均值。
[0013]优选的，所述二元逻辑回归方程如下：Logit(P)＝
‑
12.549+56.923X1‑
2.530X2+1.337X3+2.159X4+2.678X5；其中，Logit(P)为预测概率，X1为边缘网络的Za值，X2为左侧背侧注意网络的中央后回的DFC值，X3为右侧躯体运动网络的躯体运动皮质的DFC值，X4为右侧背侧注意网络的中央后回的DFC值，X5为右侧默认网络的腹内侧前额叶皮质的DFC值。
[0014]优选的，基于构建的二元逻辑回归方程，若Logit(P)≤0.508，则判断患者预后比较好的可能性小，若Logit(P)＞0.508，则判断该患者预后比较好的可能性大。
[0015]与现有技术相比，本专利技术具有如下有益效果：
[0016](1)本专利技术首次以边缘网络的Za值以及左侧背侧注意网络的中央后回、右侧躯体运动网络的躯体运动皮质、右侧背侧注意网络的中央后回、右侧默认网络的腹内侧前额叶皮质的DFC值为预后指标构建抑郁症临床预后预测模型，且模型所需的影像学数据在常规检查中即可获得。
[0017](2)本专利技术方法灵敏度、特异度以及准确率高，能有效预测患者预后，有利于分配医疗资源，制定合适的治疗方案，指导个体化治疗，在临床上具有较好的应用前景。
附图说明
[0018]图1抑郁症临床预后预测模型的计算流程图。
[0019]图2受试者ROC特征曲线。
具体实施方式
[0020]本专利技术提供了一种抑郁症临床预后预测模型的构建方法，包括如下步骤：采集抑郁症患者的脑影像，对脑影像数据处理，得到预后指标：边缘网络的Za值以及左侧背侧注意网络的中央后回、右侧躯体运动网络的躯体运动皮质、右侧背侧注意网络的中央后回、右侧默认网络的腹内侧前额叶皮质的DFC(dynamic functional connectivity，动态功能连接)值；基于所述预后指标构建二元逻辑回归方程，即得预测模型。本专利技术中，所述边缘网络的Za值为边缘网络各个脑区与其他各网络所有脑区的FC(functional connectivity，功能连接)的平均值。
[0021]在本专利技术中，所述脑影像包括脑结构影像和脑功能影像。本专利技术中脑结构影响和脑功能影响均是对抑郁症患者采集的结构像及静息态功能磁共振数据。本专利技术中在采集抑郁症患者脑影像的同时还需收集患者的临床资料。
[0022]在本专利技术中，所述脑影像数据处理优选包括如下步骤：对脑功能影像进行基于体素的预处理，对预处理后的脑功能影像组进行脑区划分，计算得FC矩阵，对所述FC矩阵进行
标准化处理，得相关FC值；对脑功能影像和脑结构影像进行基于皮层的预处理，采用滑动时间窗方法计算动态功能连接图，对所述动态功能连接图进行脑区划分，并提取各脑区所对应信号值，得各脑区的DFC值；采用逐步前进法对所述功能网络的相关指标和所述各脑区的DFC值进行筛选，得出预后指标。本专利技术中，对脑影像数据处理基于MATLAB中的DPABI工具包进行处理。本专利技术中，利用皮尔森相关系数计算脑区FC，得到FC矩阵；所述标准化处理优选为FisherZ标准化处理。
[0023]在本专利技术中，所述基于体素的预处理过程优选包括：去除时间点、时间层校正、头动校正、空间平滑、配准到MNI空间、回归协变量和带通滤波；所述基于皮层的预处理过程优选包括：对结构影像进行分割，重建皮层、时间层校正、头动校正、回归协变量、平滑和带通滤波；所述脑区划分优选为将大脑划分为400个脑区。本专利技术中脑区划分是采用Schaefer等人开发的功能分区图谱将大脑划分为400个脑区。
[0024本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抑郁症临床预后预测模型的构建方法，其特征在于，包括如下步骤：采集抑郁症患者的脑影像，对脑影像进行数据处理，筛选得到以下预后指标：边缘网络的Za值以及左侧背侧注意网络的中央后回、右侧躯体运动网络的躯体运动皮质、右侧背侧注意网络的中央后回、右侧默认网络的腹内侧前额叶皮质的DFC值；基于所述预后指标构建二元逻辑回归方程，即得预测模型。2.如权利要求1所述的构建方法，其特征在于，所述脑影像包括脑结构影像和脑功能影像。3.如权利要求1所述的构建方法，其特征在于，所述脑影像数据处理包括如下步骤：对脑功能影像进行基于体素的预处理；对预处理后的脑功能影像组进行脑区划分，计算得FC矩阵，对所述FC矩阵进行标准化处理，得相关FC值；对脑功能影像和脑结构影像进行基于皮层的预处理，采用滑动时间窗方法计算脑动态功能连接图，对所述动态功能连接图进行脑区划分，并提取各脑区所对应信号值，得各脑区的DFC值；采用逐步前进法对所述FC值和所述各脑区的DFC值进行筛选，得出预后指标。4.如权利要求3所述的构建方法，其特征在于，所述基于体素的预处理的过程包括：去除时间点、时间层校正、头动校正、空间平滑、配准到MNI空间、回归协变量和带通滤波。5.如权利要求3所述的构建方法，其特征在于，所述基于皮层的预处理的过程包括：对结构影像进行分割，重建皮层、时间层校正、头动校正、回归协变量、平滑和带通滤波。6.如权利要求3所述的构建方法，其特征在...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：天津市安定医院，
类型：发明
国别省市：