Credit: UT西南医学中心
结果预测模型的开发部分使用了美国国家心理健康研究所资助的一项大型多中心研究的数据，并发表在《生物精神病学》杂志上
这些发现提供了强有力的证据，表明目前临床实践中用于选择合适抗抑郁药物的试错法可以被这种新的精准医学方法所取代
“这是一个重大进步
这是非侵入性的
它可以而且应该立即使用，”M
D
临床精神病学教授，抑郁症研究和临床护理中心主任，该中心是小彼得·奥唐奈的支柱之一
大脑研究所
博士；医生
特里维迪说，新的生物标志物可以让患有严重抑郁症的患者避免两到三个月服用错误的药物
长时间的严重抑郁会导致失业、婚姻破裂，甚至因自杀而失去生命
该研究测试了普通抗抑郁药舍曲林，对照组服用安慰剂
八周后对舍曲林无反应的患者转用抗抑郁药安非他酮
当研究参与者在扫描仪中执行奖励任务时，研究人员测量了脑回路反应的变化
对300多名参与者进行了无创功能磁共振成像(fMRI)，以评估休息时以及奖励任务期间大脑功能的变化
该研究利用这些数据和新的创新构建了新的机器学习模型，告诉科学家和临床医生哪些特定的大脑区域和回路与预测每种药物的治疗反应相关
“我们发现的特征对每种抗抑郁药的反应都是独特的，”艾伯特·蒙蒂罗博士说
D
莱达希尔生物信息学系助理教授，他的实验室产生了10，000行代码来有效地调整新的预测模型和复杂的数据清理方法，以抑制功能磁共振成像的头部运动，并达到其他实验室测试中没有的精度水平
“由于人脑固有的复杂性，神经科学家通常发现大脑活动可以解释症状缓解中15%的差异
这将是一个重大的科学发现
百分之二十是巨大的，”博士
蒙蒂洛说
“在这项研究中，我们能够解释舍曲林缓解症状的48%的差异，安非他酮的34%和安慰剂的28%
" 博士；医生
特里维迪说，这些结果非常可信，因为这项研究使用的基础数据广泛代表了临床数据的异质性，包括来自波士顿马萨诸塞州总医院、纽约哥伦比亚大学和密歇根大学的数据，以及使用深度学习模型的分析方法的严谨性
这项研究是深度机器学习首次应用于抗抑郁药物疗效预测
蒙蒂罗开发了将原始功能磁共振成像数据放大十倍的方法
他的工作构建了能够可靠预测结果的模型，尤其是那些没有用于训练模型的患者
“与目前使用的标准预测方法相比，这是一个明显的改进，”Dr
特里维迪说
“我们也达到了一个点，我们的发现是稳定的，可以为未来的工作提供一个途径
" 博士；医生
蒙蒂罗补充道，“我们开发的分析方法可以很容易地用于识别生物标志物特征，并预测其他药物和非药物抑郁症治疗的结果
" 通过非侵入性的方法和大量的证据
特里维迪和蒙蒂罗说，临床医生现在应该转向这种方法
他们将寻求额外的资金来推进这项研究，并看看它是否与Dr
特里维迪开发
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
