Şəxslərə görə seçici serotoninin geri qaytarılması inhibitorları (SSRI) müalicəsinə cavabın deep learning şəbəkələri vasitəsilə EEG-nin bağlanğı xəritələrindən şəxsi hesab

Depressiya ilə müalicəyə cavab vermək üçün dəqiq proqnozlaşdırma depressiya araşdırmalarında mühüm bir problem olaraq qalır. Bu ilkin tədqiqatda, böyük depressiv pozğunluq (MDD) olan xəstələrdə selektiv serotonin yenidən qəbul inhibitorlarına (SSRI) reaksiyanın proqnozlaşdırılması üçün elektroencefalogram (EEG) əsaslı dərin öyrənmə çərçivəsi təklif edirik. Çoxkanallı istirahət vəziyyətindəki EEG siqnalları, Fəs Lək İndeksi (PLI), Fəs Qapanma Dəyər (PLV), Qısmi yönəlmiş uyğunluq (PDC) və yönəlmiş köçürmə funksiyası (DTF) daxil olmaqla funksional və təsirli əlaqə tədbirləri istifadə edərək təhlil edildi. Bu tədbirlər funksional və effektiv beyin bağlantısının tamamlayıcı aspektlərini birləşdirən birləşmiş frekanslı əlaqə şəkillərinin (FFCI) qurulması üçün beş tezlik bantında birləşdirilib. ConvNeXt, Swin Transformer, EfficientNet-B0/B3, MobileNetV3, ResNet-18 və MambaVision da daxil olmaqla bir çox dərin öyrənmə memarlığı, Mumtaz EEG verilənlər bazasında mövzu müstəqil çapraz təsdiqləmədən istifadə edərək qiymətləndirilib. MobileNetV3 ən yüksək müşahidə olunan xəstələr səviyyəsində dəqiqliyi 78, 78% - i əldə etdi, MambaVision isə 75.75% - i əldə etdi. Təmsil olunma təminatının öhdəsindən gəlmək üçün nəzarət edilmiş birləşmə müqayisələri, təmsil səviyyəsində ablasiya analizləri və rəqəmsal əlaqə xüsusiyyətlərini istifadə edən klassik RBF-SVM əsas xəttləri aparıldı. McNemar testlərindən istifadə edən cüt model müqayisələrinə görə, müşahidə olunan performans fərqləri bir neçə müqayisə üçün düzəlişdən sonra statistik cəhətdən əhəmiyyətli qalmayıb. İnteqrasiya edilmiş gradientlər model proqnozlarına töhfə verən əlaqə nümunələrinə dair kəşfiyyat məlumatları təmin etdi. Ümumiyyətlə, nəticələr SSRI müalicə cavabının EEG əsaslı proqnozlaşdırılması üçün müasir dərin öyrənmə modelləri ilə birləşmiş əlaqə təmsillərini birləşdirməyin mümkünlüyünü göstərir; lakin nəticələr klinik tətbiqdən əvvəl daha böyük, müstəqil qruplarda təsdiqlənməsini tələb edir.

İranda Tehranın İslam Azad Universitetinin Biomedik mühəndisliyi, Elm və Tədqiqat şöbəsi

Müəlliflər heç bir rəqabət maraqlarını bəyan etmirlər.

Bu araşdırmada Mumtaz29-un ictimai verilənlər bazasından istifadə etdik. Bu verilənlər bazası iştirakçıların EEG-ni qeyd etmək üçün razılıq əldə edib. Mumtaz verilənlər bazası, Malayziyanın Kelantan şəhərindəki Hospital University Sains Malaysia (HUSM) İnsan Əxlaq Komitəsi tərəfindən təsdiq edilmiş eksperimental dizayndan sonra qeydə alınıb. Tədqiqat iştirakçıları məlumatlı razılıq formalarını imzalayıb və təcrübə layihəsi barədə tam məlumatlandırılıblar.

Springer Nature nəşr olunan xəritələrdə və qurumların əlaqələrində yurisdiksiya iddiaları ilə bağlı neytral olaraq qalır.

Açıq giriş Bu məqalə Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Beynəlxalq Lisenziyası ilə lisenziyalaşdırılmışdır. Bu lisenziya orijinal müəllif və mənbəyə uyğun kredit verdiyiniz müddətdə hər hansı bir media və formatda qeyri-kommersiya istifadəsinə, paylanmasına, yayımlanmasına və təkrarlanmasına icazə verir. Bu sənəd və ya onun hissələrindən alınan uyğunlaşdırılmış materialları paylamaq üçün bu lisenziyaya əsasən icazəniz yoxdur. Bu məqalədəki şəkillər və ya digər üçüncü tərəf materialları, məqalənin kredit xəttində başqa bir şey göstərilməsəsə, Creative Commons lisenziyasına daxil edilir. Əgər məqalə Creative Commons lisenziyasında yer almırsa və nəzərdə tutulan istifadəsi qanunvericiliklə icazə verilmirsə və ya icazə verilən istifadəni aşarsa, hüquq hüquqlarının sahibindən birbaşa icazə almaq lazımdır. Bu lisenziyanın nüsxəsini görmək üçün http://creativecommons.org/licenses/by-nc-nd/4.0/ səhifəsini ziyarət edin.