《表4 深度学习在抑郁症等精神疾病客观标志物研究中的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于精神影像和人工智能的抑郁症客观生物学标志物研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

PET:正电子发射型计算机断层显像（positron emission computed tomography）；fMRI:功能磁共振成像（functional magnetic resonance imaging）；rsfMRI:静息态功能磁共振成像（resting-state functional magnetic resonance imaging）；s MRI:结构磁共振成像(structural magnetic reson

目前，使用深度学习分析抑郁症患者影像数据的研究较少，更多的研究利用多模态混合深度学习框架综合分析文字、图像和视频等信息检测具有抑郁症迹象的用户[88-94]（表4）.Acharya等[88]利用15例抑郁症患者和15例健康人的脑电图（electroencephalogram，EEG）信号对CNNs模型进行训练，成功完成了疾病分类，左脑和右脑EEG信号识别准确率分别为93.5%和96.0%.EEG以其便捷、经济、同时能够动态监测患者一段时间内脑活动变化的优势展现了在抑郁症中的应用前景[88].但该项研究的样本量过低，难以保证研究结果不存在较大偏倚，应用于临床前还需要进一步扩大数据集进行验证.Orabi等[91]从Twitter社交媒体平台提取了327例抑郁症患者、246例创伤后应激障碍者和572例健康人群的非结构化文本数据，选用在自然语言处理领域最流行的两种深度学习方法CNNs来检测具有抑郁症倾向的用户，最高准确率达87.9%，这也是除了图像识别领域外，CNNs在自然语言处理领域的一大进展.以上研究取得的惊人成果都为多模态抑郁症标志物的开发提供了新思路.