Machine Learning-Based Electroencephalographic Phenotypes of Schizophrenia and Major Depressive Disorder

 

Machine Learning-Based Electroencephalographic Phenotypes of Schizophrenia and Major Depressive Disorder

      Kuk-In Jang       Sungkean Kim       Soo Young Kim       Chany Lee      Jeong-Ho Chae

TL;DR:

Background: 

Diagnosticul psihiatric este formulat pe baza clasificării simptomatice; o fenotipizare neurofiziologică specifică bolii ar putea ajuta la tratamentul său fundamental. În acest studiu, am investigat fenotipizarea creierului la pacienți cu schizofrenie (SZ) și tulburare depresivă majoră (MDD) utilizând electroencefalografia (EEG) și am realizat o clasificare bazată pe învățarea automată a celor două boli folosind componente EEG.

Materiale și Metode: 

Am recrutat participanți sănătoși (HC) (n = 30) și pacienți cu SZ (n = 34) și MDD (n = 33). S-a efectuat o sarcină de tip P300 auditiv (AP300), iar componentele N1 și P3 au fost extrase. S-a realizat o clasificare pe grupuri de câte două utilizând clasificatori de analiză discriminantă liniară (LDA) și mașină cu vectori de suport (SVM). Simptomele pozitive și negative, precum și simptomele de depresie și/sau anxietate au fost evaluate.

Rezultate: 

Luând în considerare atât rezultatele comparațiilor statistice, cât și clasificările bazate pe învățarea automată, pacienții și HC au prezentat diferențe semnificative în AP300, SZ și MDD având valori mai mici ale componentelor N1 și P3 comparativ cu HC. În ceea ce privește suma amplitudinilor și sursele corticale, rezultatele pentru LDA cu acuratețea clasificării (SZ vs. HC: 71,31%, MDD vs. HC: 74,55%), sensibilitatea (SZ vs. HC: 77,67%, MDD vs. HC: 79,00%) și specificitatea (SZ vs. HC: 64,00%, MDD vs. HC: 69,67%) au susținut aceste concluzii. Clasificatorul SVM a indicat scoruri rezonabile între SZ și HC și/sau MDD și HC. Comparația între SZ și MDD a arătat o acuratețe scăzută a clasificării (59,71%), sensibilitate (65,08%) și specificitate (54,83%).

Concluzii: 

Pacienții cu SZ și MDD au prezentat deficiențe în componentele N1 și P3 în suma amplitudinilor și surselor corticale, indicând disfuncții de atenție atât în procesarea senzorială/cognitivă timpurie, cât și în cea târzie. Clasificatoarele LDA și SVM pentru AP300 sunt utile pentru a diferenția pacienții cu SZ de HC și/sau MDD de HC.

Introducere

Deși diagnosticul psihiatric se bazează pe observarea trăsăturilor comportamentale, emoționale și cognitive, identificarea mecanismelor neuropatologice cu ajutorul electroencefalografiei (EEG) rămâne dificilă. În ciuda eforturilor anterioare de a utiliza EEG pentru a distinge fenotipurile neurofiziologice ale schizofreniei (SZ) și tulburării depresive majore (MDD), nu există încă un model cerebral standard pentru aceste afecțiuni. Studiile EEG anterioare au analizat diferențele patofiziologice și relațiile simptomatice, dar variațiile clinice în SZ și MDD sunt foarte eterogene. Definirea endofenotipurilor EEG cu ajutorul algoritmilor de învățare automată ar putea aduce perspective noi în tratamentul acestor fenotipuri patologice.

Componenta P300 auditivă (AP300) este un indicator neurofiziologic important în SZ și depresie, incluzând componentele N1 și P3, care măsoară răspunsul creierului la stimulii auditivi la intervale de aproximativ 100 ms (N1) și 300 ms (P3). Deficiențele în amplitudinea N1 și P3 sunt adesea observate la pacienții cu SZ și, în unele cazuri, la cei cu MDD. Componentele N1 și P3 reflectă procesele cognitive legate de atenție și memorie de lucru. Amplitudinile reduse ale N1 pot indica probleme în atenția selectivă timpurie, în timp ce P3 este asociată cu procesarea evenimentelor neașteptate.

În acest studiu, am comparat componentele N1 și P3 din AP300 între pacienți cu SZ, MDD și controale sănătoase (HC). Schimbările în aceste componente au fost prezentate în trei dimensiuni—vârful cu latență, suma amplitudinilor și sursele corticale—folosind diagrame radar. De asemenea, am aplicat metode de învățare automată, cum ar fi analiza discriminantă liniară (LDA) și mașina cu vectori de suport (SVM), pentru a clasifica fiecare grup în combinații de câte două. Aceste tehnici ar putea ajuta la dezvoltarea unor metode mai precise de diagnostic și la o înțelegere mai clară a trăsăturilor neurofiziologice ale SZ și MDD.

Materiale și Metode

Participanți

Au fost incluși în studiu 34 de pacienți cu schizofrenie (SZ) (13 bărbați și 21 femei), 33 de pacienți cu tulburare depresivă majoră (MDD) (11 bărbați și 22 femei) și 30 de participanți sănătoși (HC) (15 bărbați și 15 femei). Vârstele medii ale participanților au fost de 37,21 ± 14,94 ani pentru SZ, 40,03 ± 11,08 ani pentru MDD și 43,63 ± 12,80 ani pentru HC, cu un interval de vârstă de la 19 la 82 de ani și o medie generală de 40,15 ± 13,19 ani.

Criterii de Excludere

Au fost excluși participanții cu probleme de vedere sau auz, abuz de droguri și/sau alcool, traumatisme craniene și istoric de tulburări neurologice. De asemenea, participanții sănătoși cu istoric de tulburări psihiatrice au fost excluși.

Evaluare Psihiatrică și Scoruri

Toți participanții au fost nativi coreeni și au fost diagnosticați folosind MINI International Neuropsychiatric Interview conform DSM-5. La pacienții cu SZ s-a evaluat scala de simptome pozitive și negative (PANSS), iar la pacienții cu MDD s-au aplicat scalele de evaluare Hamilton pentru depresie și anxietate (HAMD și HAMA). Chestionarul Beck pentru depresie (BDI) a fost completat de pacienții cu MDD și participanții sănătoși. Evaluările au fost efectuate de un psihiatru instruit.

Măsurători EEG

Toți participanții au fost așezați într-o cameră izolată fonic, în poziție confortabilă. Înregistrarea EEG s-a realizat folosind un amplificator NeuroScan SynAmps (Compumedics, SUA) și o cască cu 62 de canale echipată cu electrozi de clorură de argint (AgCl), conform sistemului internațional extins 10–20 (cu pozițiile FP1, FPz, FP2, AF3, AF4, F7, F5, F3, F1, Fz, etc.). Mișcările oculare au fost detectate prin senzori de electrooculografie (EOG) plasați deasupra și dedesubtul ochiului stâng și la colțurile externe ale ambilor ochi.

Filtrarea semnalelor s-a realizat cu un bandpass între 1 și 100 Hz, iar rata de eșantionare a fost de 1000 Hz. Canalele de referință și de împământare au fost poziționate pe mastoide și pe frunte. În timpul înregistrării, impedanța a fost menținută sub 5 kΩ.

Protocolul și Analizele AP300

AP300 a fost realizat utilizând o sarcină auditivă oddball, în cadrul unui protocol comportamental bazat pe reacții, care a implicat 200 de stimuli livrați prin căști MDR-XB500 (Sony, Tokyo, Japonia) la un nivel de 85 dB SPL, cu intervale fixe de 2.000 ms între stimuli. Au fost prezentate aleatoriu 160 de tonuri standard de 1.000 Hz și 40 de tonuri țintă de 1.500 Hz, fiecare având o durată de 100 ms și timpi de urcare și coborâre de 10 ms. Sistemul STIM2 (Compumedics, SUA) a fost folosit pentru sincronizarea stimulilor auditivi și a semnalelor EEG.

Toți participanții au fost instruiți să apese un buton imediat ce erau prezentate tonurile țintă de 1.500 Hz. În timpul înregistrărilor, un cruciul de fixare a fost afișat pe ecranul central. Au fost selectate doar epoci de cel puțin 30 de secunde, fără artefacte, pentru analize. Artefactele evidente au fost eliminate prin inspecție vizuală de către un evaluator instruit, care nu avea informații despre originea datelor. Artefactele cauzate de clipirea ochilor și/sau mișcările oculare au fost respinse conform procedurilor matematice standardizate folosind software-ul SCAN 4.5 și CURRY 8.0.

În funcție de EOG vertical, componentele pozitive și negative care depășeau 300 μV înainte și după stimulul (−100 până la 300 ms) au fost respinse. Datele au fost segmentate din perioada pre-stimul cu 100 ms până la 700 ms după stimulul țintă. Corectarea pe baza liniei de bază pre-stimul a fost aplicată, iar artefactele care depășeau ±100 μV au fost respinse pentru toate electrozii. Datele au fost filtrate cu un bandpass între 1 și 55 Hz. Pentru analiza vârfului cu latență, componenta N1 a fost extrasă între 50 și 150 ms după stimul, iar componenta P3 între 250 și 500 ms. Lățimea amplitudinii a fost calculată prin suma tuturor amplitudinilor din intervalele de timp definite.

Analize de Învățare Automată 

Pentru selecția caracteristicilor, au fost utilizate trei dimensiuni: vârful cu latență (n = 12), suma amplitudinilor (n = 7) și sursele corticale (n = 28). S-a aplicat selecția caracteristicilor bazată pe dimensiuni. Studiul a avut o dimensiune de eșantionare insuficientă, iar reducerea dimensiunii ar trebui realizată atunci când mărimea eșantionului și caracteristicile sunt suficient de mari pentru a asigura o performanță acceptabilă a clasificării. Acuratețea clasificării, sensibilitatea și specificitatea au fost evaluate utilizând tehnica de validare încrucișată 10-împărțiri (10-fold cross-validation) cu analiza discriminantă liniară (LDA) și clasificatori SVM liniari. Analiza de învățare automată a fost realizată folosind software-ul MATLAB 2019, cu toolbox-ul suplimentar pentru Bioinformatică și Statistici și Învățare Automată (Mathworks, Inc, SUA).

Analize Statistice

Statisticele descriptive au fost analizate folosind analiza multivariată a varianței (MANOVA), testul chi-pătrat și testul t, după caz (Tabelul 1). Vârsta, educația și numărul de probe acceptate AP300 între grupuri au fost comparate folosind MANOVA. Diferențele de sex au fost examinate cu ajutorul testului chi-pătrat. Scorurile BDI între pacienții cu MDD și controalele sănătoase au fost comparate folosind testul t.

Pentru analiza multivariată cu covarianță, 49 de variabile AP300 au fost examinate ca variabile dependente între toate grupurile, având vârsta, sexul și educația ca covariabile. Semnificația statistică a fost stabilită la p < 0,05, cu două cozi. Compararea efectelor principale a fost realizată folosind corecția Bonferroni pentru valorile p originale. Toate analizele statistice au fost efectuate utilizând software-ul IBM SPSS (versiunea 20.0; IBM Corp., Armonk, NY, SUA).

Rezultate

Discutii

Studiul de față a evidențiat diferențe în AP300 între grupurile de controale sănătoase (HCs) și pacienții cu schizofrenie (SZ) și depresie majoră (MDD). Deficiența componentei N1 în pacienții cu SZ și MDD a fost predominant observată în suma amplitudinilor. Clasificarea bazată pe învățare automată utilizând analiza discriminantă liniară (LDA) a arătat o acuratețe și sensibilitate rezonabile între SZ și HCs și/sau MDD și HCs. Comparând rezultatele atât din comparațiile statistice, cât și din clasificarea bazată pe învățare automată, pacienții cu SZ au prezentat fenotipuri EEG defecte în N1-Fz, N1-Cz, N1-Pz și valoarea totală din suma amplitudinilor. Pacienții cu MDD au prezentat un fenotip EEG afectat în N1-Fz din suma amplitudinilor. În ceea ce privește sursele corticale, pacienții cu SZ și MDD au arătat scăderea amplitudinii N1 și P3. Clasificatorul SVM a arătat o sensibilitate rezonabilă între SZ și HCs și/sau MDD și HCs.

Deficitul componentei N1 la pacienții cu SZ reflectă deficiențe în procesul de filtrare senzorială timpurie, ceea ce duce la un proces disfuncțional de atenție la informațiile senzoriale. Acest fenotip afectat este asociat cu plasticitatea neuronală anormală la pacienții cu SZ care prezintă factori de risc clinic înalt. Pacienții cu depresie au arătat latență întârziată a N1 și o amplitudine mai mică a P3. Deficitele în filtrarea senzorială timpurie sunt legate de direcțiile maladaptative ale informațiilor senzoriale inițiale, ceea ce duce la o latență întârziată a N1 și amplitudini mai mici. P3 este un indicator al filtrării senzoriale târzii, care decodează dacă stimulul este semnificativ sau nu.

Studiul actual a arătat diferențe semnificative în N1 și P3 între pacienții cu SZ și cei cu MDD. Comparativ cu pacienții cu MDD, cei cu SZ au avut amplitudini mai mici pentru N1 și P3. Totuși, această diferență a avut o putere scăzută, deoarece clasificarea cu învățare automată a avut o acuratețe, sensibilitate și specificitate scăzute. Studiile anterioare au raportat că performanța ridicată a clasificării a fost identificată atunci când au fost utilizate împreună caracteristicile EEG de la nivel de senzor și sursă. Caracteristicile EEG microstatale au avut performanțe mai bune în clasificarea pacienților cu SZ decât caracteristicile EEG convenționale. În MDD, caracteristicile frecvenței benzii EEG au arătat o performanță bună în clasificarea pacienților și a persoanelor sănătoase.

În studiul de față, media și deviația standard în datele EEG ar fi putut influența rezultatele comparațiilor statistice, în timp ce similaritatea distribuțională a caracteristicilor folosite între grupuri ar fi putut contribui la lipsa puterii în clasificarea cu învățare automată. În plus, factorii sociodemografici ar putea influența rezultatele. Sunt necesare studii suplimentare în rândul pacienților cu diferite fenotipuri clinice și caracteristici EEG.

Acest studiu prezintă câteva limitări. În primul rând, dimensiunea eșantionului a fost mică; prin urmare, studii viitoare cu dimensiuni mai mari ale eșantionului ar trebui să fie realizate pentru a verifica rezultatele. În al doilea rând, ar trebui luate în considerare diverse fenotipuri clinice, cum ar fi tipurile afective sau specifice stărilor de dispoziție și psihozele cu simptome de dispoziție. Cu toate acestea, determinarea mecanismului neuropatologic prin fenotiparea EEG ar putea oferi informații utile pentru tratamentele fundamentale ale tulburărilor psihiatrice. Acest studiu a identificat că, în suma amplitudinii, un fenotip neurofiziologic cu deficit N1 a fost observat la pacienții cu MDD și SZ, indicând un proces disfuncțional de atenție senzorială timpurie. Susținând acest rezultat, clasificatorul LDA a arătat o acuratețe și sensibilitate rezonabile. În sursele corticale, a fost observat un fenotip cu deficite în N1 și P3 la pacienții cu MDD și SZ, reflectând intrările maladaptive de filtrare senzorială și/sau cognitivă timpurie și târzie. Clasificatorul SVM, cu sensibilitate, a arătat scoruri rezonabile.

Bibliografie

https://www.frontiersin.org/journals/psychiatry/articles/10.3389/fpsyt.2021.745458/full