Dokument: Diagnosis of Depressive Disorder based on Structural Imaging using Automated Machine Learning (AML)
Titel: | Diagnosis of Depressive Disorder based on Structural Imaging using Automated Machine Learning (AML) | |||||||
Weiterer Titel: | Diagnose von depressiven Störungen basierend auf struktureller Bildgebung mittels Automatisiertes Maschinelles Lernen (AML) | |||||||
URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=65861 | |||||||
URN (NBN): | urn:nbn:de:hbz:061-20240527-142821-2 | |||||||
Kollektion: | Dissertationen | |||||||
Sprache: | Englisch | |||||||
Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
Medientyp: | Text | |||||||
Autor: | Ehlinger, Mathieu [Autor] | |||||||
Dateien: |
| |||||||
Beitragende: | Prof. Dr. med. Dr. rer. pol. Svenja Caspers [Gutachter] Prof. Dr. Meisenzahl-Lechner, Eva [Gutachter] | |||||||
Stichwörter: | Depressive Störung, Neuroimaging, Maschinelles Lernen | |||||||
Dewey Dezimal-Klassifikation: | 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit | |||||||
Beschreibungen: | Accurate and well-generalizing machine learning (ML) models for depression diagnosis could prove to be tremendously valuable in multiple ways. They could find application in screening for depressive disorder, assist in differential diagnosis from clinically similar entities and provide insights about the illness’s pathomechanisms. Whether such a classification is possible with classical ML methods is an open and currently debated question. Conflicting reports and publications exist on this matter. In parallel, the recent years saw the development of automated machine learning (AML), a relatively new subfield of ML. This thesis aimed first at assessing the applicability of AML to structural neuroimaging in two commonly performed ML tasks (namely age and sex prediction). In the second part, we applied it to depression classification as an alternative to standard ML approaches. Two separate samples were drawn from the 1000BRAINS study (N1000BRAINS=1157) for an AML benchmark . Subjects’ structural MRIs were preprocessed for region-wise extraction of cortical features, namely cortical thickness (CT), grey matter volume (GMV) and surface area (SA). The first sample was used for AML model design, the second for validation of performance on subjects not involved in pipeline design to test the generalizability of our models. We ended the AML benchmark with an external validation on a sample drawn from the BiDirect study (NBiDirect=1102). Regarding depression classification: two separate samples were derived from BiDirect for designing then validating our AML models. AML performed similar to state of the art ML models for age (5.69 mean absolute error (MAE)) and sex prediction (85.8% balanced accuracy (BA)). For depression classification, AML models only performed slightly better than random (55.1% BA). With this work, we showed that AML is a viable and efficient alternative to standard ML methods in neuroimaging based tasks, with good generalization power. Similarly to classical ML methods, AML models could not differentiate depressive patients from healthy controls (HC). This negative result converges with recent negative findings for this task.Akkurate machine learning (ML) Modelle mit hoher Generalisierbarkeit für die Diagnose einer Depression könnten sich in mehrfacher Hinsicht als wertvoll erweisen. Sie könnten beim Screening auf depressive Störungen zum Einsatz kommen, bei der Differentialdiagnose von klinisch ähnlichen Entitäten helfen und Erkenntnisse über die Pathomechanismen der Krankheit liefern. Ob eine solche Klassifikation mit klassischen ML Methoden möglich ist, ist eine offene und derzeit umstrittene Frage. Hierzu gibt es derzeit widersprüchliche Berichte und Veröffentlichungen. Parallel dazu entwickelte sich in den letzten Jahren ein neues Teilgebiet von ML, nämlich automated machine learning (AML). Ziel dieser Arbeit war es in einem ersten Schritt, die Anwendbarkeit von AML auf die strukturelle Neurobildgebung anhand von zwei gängigen ML Aufgaben zu überprüfen (nämlich Alter- sowie Geschlechtsvorhersage). Im zweiten Teil nutzten wir es zur Klassifizierung einer Depression als Alternative zu Standard ML Ansätzen. Zwei separate Stichproben wurden aus der 1000BRAINS Studie (N1000BRAINS=1157) für eine AML Benchmark herangezogen. Die strukturelle Magnetresonanztomographie (MRT) der Probanden wurde für die regionsweise Extraktion von kortikalen Eigenschaften vorverarbeitet. Die erste Stichprobe wurde für die Herstellung der AML Modelle verwendet, die zweite für die Validierung der Leistungen auf neue Subjekte. Wir beendeten die AML Benchmark mit einem letzten Test an einer externen Stichprobe aus der BiDirect Studie (NBiDirect=1102). Zur Klassifikation der Depression wurden zwei separate Stichproben aus BiDirect abgeleitet, um unsere AML Modelle zunächst zu entwickeln und dann zu evaluieren. Die AML Modelle erreichten bei der Altersvorhersage 5.69 mean absolute error (MAE) und bei der Geschlechtsvorhersage 85.8% balanced accuracy (BA) in der externen Validierung, ähnlich wie state-of-the-art ML Modelle. Hinsichtlich der Klassifikation einer Depression schnitten AML Modelle nur geringfügig besser ab als eine Zufallsvorhersage (55.1% BA). Mit dieser Arbeit konnten wir zeigen, dass AML eine tragfähige und effiziente Alternative zu klassischen ML Methoden in neuroimaging basierten Aufgaben ist, mit guter Generalisierbarkeit. Wie klassische ML Modelle konnten AML Modelle depressive Patienten von healthy controls (HC) nicht unterscheiden. Dieses negative Ergebnis konvergiert mit aktuellen negativen Ergebnissen für diese ML Aufgabe. | |||||||
Lizenz: | ![]() Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
Fachbereich / Einrichtung: | Medizinische Fakultät » Institute » Institut für Anatomie I | |||||||
Dokument erstellt am: | 27.05.2024 | |||||||
Dateien geändert am: | 27.05.2024 | |||||||
Promotionsantrag am: | 12.07.2023 | |||||||
Datum der Promotion: | 14.05.2024 |