Control Systems and Computers

Алієв Е.І., Бовсуновская К.С., Михайленко С.А., Омельченко О.М., Дикан І.М., Павлов В.А. Визначення предикторів діагнозу пацієнтів з ПТСР на основі параметрів одновимірних моделей першого порядку BOLD-сигналів структур мозку та МГУА. Сontrol Systems and Computers. 2024. № 3. C.  

УДК  004.62; 004.8; 616-07

Е.І. АЛІЄВ., аспірант, Нац. техн. університет України “Київський політехнічний інститут імені Ігоря Сікорського”, просп. Берестейський, 37, м. Київ, Україна, 03056, ORCID: https:// 0000-0003-2132-9959, e.aliiev-fbmi@lll.kpi.ua

К.С. БОВСУНОВСЬКА, старш. викладач, Нац. техн. університет України “Київський політехнічний інститут імені Ігоря Сікорського”, просп. Берестейський, 37, м. Київ, Україна, 03056, ORCID: https:// 0000-0003-0936-2246, period0@ukr.net

С.А. МИХАЙЛЕНКО, студентка, Нац. техн. університет України “Київський політехнічний інститут імені Ігоря Сікорського”, просп. Берестейський, 37, м. Київ, Україна, 03056,
ORCID: https:// orcid.org/0009-0005-8045-7354, svetlanamykhailenko27@gmail.com

І.М. ДИКАН, докт. мед. наук, головний наук. співробітник, Інститут ядерної медицини та променевої діагностики НАМН України, вул. Платона Майбороди, 32, м. Київ, Україна, 04050, ORCID: https:// 0000-0001-8544-8653, irinadykan@gmail.com

О.М. ОМЕЛЬЧЕНКО, канд. біол. наук, Інститут ядерної медицини та променевої діагностики НАМН України, вул. Платона Майбороди, 32, м. Київ, Україна, 04050, ORCID: https:// 0000-0002-0089-3166, ol.omelchenko@gmail.com

В.А. ПАВЛОВ, канд. техн. наук, доцент, Національний технічний університет України “Київський політехнічний інститут імені Ігоря Сікорського”, 03056, м. Київ, просп. Берестейський, 37, Україна, ORCID: https://orcid.org/0000-0002-3293-5308, pavlov.volodymyr@lll.kpi.ua

ВИЗНАЧЕННЯ ПРЕДИКТОРІВ ДІАГНОЗУ ПАЦІЄНТІВ З ПТСР НА ОСНОВІ ПАРАМЕТРІВ ОДНОВИМІРНИХ МОДЕЛЕЙ ПЕРШОГО ПОРЯДКУ BOLD-СИГНАЛІВ СТРУКТУР МОЗКУ ТА МГУА

В роботі досліджено можливість застосування параметрів одновимірних моделей BOLD-сигналів функціональної магнітно-резонансної томографії, що одержано для структур мозку в стані спокою, у якості предикторів діагностичного висновку пацієнтів з посттравматичним стресовим розладом (ПТСР). Для визначення інформативного ансамблю ознак ПТСР застосовано технологію клас-орієнтованої селекції ознак на основі критеріїв міжкласової дисперсії та критерію mRMR. Застосування для класифікації діагнозу  ПТСР алгоритму логістичної регресії, оптимізованої за МГУА, дало змогу визначити для виявлених інформативних ознак їхню предикторську форму. Одержані результати свідчать про наявність специфічного типу зв’язку між виокремленими в роботі областями – за рівнями збудженості та зміною цих рівнів при ПТСР.

Завантажити повний текст! (українською)

Ключові слова: клас-орієнтована селекція ознак, предиктори діагностичного висновку, ПТСР, метод групового врахування аргументів, логістична регресія.

1. Harnett, N. G. et al. (2021). “Prognostic neuroimaging biomarkers of trauma-related psychopathology: resting-state fMRI shortly after trauma predicts future PTSD and depression symptoms in the AURORA study”. Neuropsychopharmacology [online], 46(7), 1263–1271.: DOI: 10.1038/s41386-020-00946-8.
2. Abrol, A., Hassanzadeh, R., Plis, S. and Calhoun, V. (2021). “Deep learning in resting-state fMRI”. In: 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), 1–5 November 2021, Mexico [online]. IEEE. DOI: 10.1109/embc46164.2021.9630257.
3. Hladkyi, Y., Radchenko, O., Pavlov, V., Matviichuk, O. and Horodetska, O. (2023). “A classifier of the Random Forest type based on GMDH, logistic transformation and positional voting”. In: 2023 IEEE 18th International Conference on Computer Science and Information Technologies (CSIT), 19–21 October 2023, Lviv, Ukraine [online]. IEEE. DOI: 10.1109/csit61576.2023.10324054.
4. Matviichuk, O., Nosovets, O., Linnik, M., Davydko, O., Pavlov, V. and Nastenko, I. (2021). “Class-Oriented Features Selection Technology in Medical Images Classification Problem on the Example of Distinguishing Between Tuberculosis Sensitive and Resistant Forms”. In: 2021 IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT), 22–25 September 2021, LVIV, Ukraine [online]. IEEE. DOI: 10.1109/csit52700.2021.9648747.
5. Zandvakili, A., Barredo, J., Swearingen, H. R., Aiken, E. M., Berlow, Y. A., Greenberg, B. D., Carpenter, L. L. and Philip, N. S. (2020). “Mapping PTSD symptoms to brain networks: a machine learning study”. Translational Psychiatry [online]. 10(1). DOI: 10.1038/s41398-020-00879-2.
6. Sheynin, S., Wolf, L., Ben-Zion, Z., Sheynin, J., Reznik, S., Keynan, J. N., Admon, R., Shalev, A., Hendler, T. and Liberzon, I. (2021). “Deep learning model of fMRI connectivity predicts PTSD symptom trajectories in recent trauma survivors”. NeuroImage [online]. 238, Article DOI: 10.1016/j.neuroimage.2021.118242.
7. Liu, F., Xie, B., Wang, Y., Guo, W., Fouche, J.-P., Long, Z., Wang, W., Chen, H., Li, M., Duan, X., Zhang, J., Qiu, M. and Chen, H. (2014). “Characterization of Post-traumatic Stress Disorder Using Resting-State fMRI with a Multi-level Parametric Classification Approach”. Brain Topography [online]. 28(2), 221–237. DOI: 10.1007/s10548-014-0386-2.
8. Zhang, Q., Yu, Y., Chen, W., Chen, T., Zhou, Y. and Li, H. (2016). “Outdoor experiment of flexible sandwiched graphite-PET sheets based self-snow-thawing pavement”. Cold Regions Science and Technology [online]. 122, 10–17. DOI: 10.1016/j.coldregions.2015.10.016.
9. Zhu, Z., Lei, D., Qin, K., Suo, X., Li, W., Li, L., DelBello, M. P., Sweeney, J. A. and Gong, Q. (2021). “Combining Deep Learning and Graph-Theoretic Brain Features to Detect Posttraumatic Stress Disorder at the Individual Level”. Diagnostics [online]. 11(8), 1416. DOI: 10.3390/diagnostics11081416.
10. Yang, J. (2021). “An Integrative Review of Simulation used in Psychiatric Nursing Education: Focusing on Psychiatric Nursing Learning Objectives and Core Competencies of Nurses”. Korean Association For Learner-Centered Curriculum And Instruction [online]. 21(7), 535–548. DOI: 10.22251/jlcci.2021.21.7.535.
11. Saba, T., Rehman, A., Shahzad, M. N., Latif, R., Bahaj, S. A. and Alyami, J. (2022). “Machine learning for post-traumatic stress disorder identification utilizing resting-state functional magnetic resonance imaging”. Microscopy Research and Technique [online]. DOI: 10.1002/jemt.24065.
12. Harricharan, S., Nicholson, A.A., Thome, J., Densmore, M., McKinnon, M.C., Théberge, J., Frewen, P.A., Neufeld, R.W.J. and Lanius, R.A. (2019). “PTSD and its dissociative subtype through the lens of the insula: Anterior and posterior insula resting-state functional connectivity and its predictive validity using machine learning”. Psychophysiology [online]. 57(1). DOI: 10.1111/psyp.13472.
13. Nicholson, A.A., Densmore, M., McKinnon, M.C., Neufeld, R.W.J., Frewen, P.A., Theberge, J., Jetly, R., Richardson, J.D. and Lanius, R.A. (2018). “Machine learning multivariate pattern analysis predicts classification of posttraumatic stress disorder and its dissociative subtype: a multimodal neuroimaging approach”. Psychological Medicine [online]. 49(12), 2049–2059. DOI: 10.1017/s0033291718002866.
14. Zhu, H., Yuan, M., Qiu, C., Ren, Z., Li, , Wang, J., Huang, X., Lui, S., Gong, Q., Zhang, W. and Zhang, Y. (2020). “Multivariate classification of earthquake survivors with post-traumatic stress disorder based on large-scale brain networks”. Acta Psychiatrica Scandinavica [online]. 141(3), pp. 285–298. DOI: 10.1111/acps.13150.
15. Qing, Z., Zhang, X., Ye, M., Wu, S., Wang, X., Nedelska, Z., Hort, J., Zhu, B. and Zhang, B. (2019). “The Impact of Spatial Normalization Strategies on the Temporal Features of the Resting-State Functional MRI: Spatial Normalization Before rs-fMRI Features Calculation May Reduce the Reliability”. Frontiers in Neuroscience [online]. 13. DOI: 10.3389/fnins.2019.01249.
16. Behzadi, Y., Restom, K., Liau, J. and Liu, T.T. (2007). “A component based noise correction method (CompCor) for BOLD and perfusion based fMRI”. NeuroImage [online]. 37(1), 90–101. DOI: 10.1016/j.neuroimage.2007.04.042.
17. Friston, K. J., Holmes, A. P., Poline, J.-B., Grasby, P.J., Williams, S.C.R., Frackowiak, R.S.J. and Turner, R., (1995). “Analysis of fMRI Time-Series Revisited”. NeuroImage [online]. 2(1), 45–53. DOI: 10.1006/nimg.1995.1007.
18. Giff, A., Noren, G., Magnotti, J., Lopes, A.C., Batistuzzo, M.C., Hoexter, M., Greenberg, B., Marsland, R., Miguel, E.C., Rasmussen, S. and McLaughlin, N. (2023). “Spatial normalization discrepancies between native and MNI152 brain template scans in gamma ventral capsulotomy patients”. Psychiatry Research: Neuroimaging [online]. 329, 111595. DOI: 10.1016/j.pscychresns.2023.111595.
19. Mowinckel, A. M. and Vidal-Piñeiro, D. (2020). “Visualization of Brain Statistics With R Packages ggseg and ggseg3d”. Advances in Methods and Practices in Psychological Science [online]. 3(4), 466–483. DOI: 10.1177/2515245920928009.
20. Hilger, K., Winter, N.R., Leenings, R., Sassenhagen, J., Hahn, T., Basten, U. and Fiebach, C.J. (2020). “Predicting intelligence from brain gray matter volume”. Brain Structure and Function [online]. 225(7), 2111–2129. DOI: 10.1007/s00429-020-02113-7.
21. Wu, C.Q., Cowan, F.M., Jary, S., Thoresen, M., Chakkarapani, E. and Spencer, A.P.C. (2023). “Cerebellar growth, volume and diffusivity in children cooled for neonatal encephalopathy without cerebral palsy”. Scientific Reports [online]. 13(1). DOI: 10.1038/s41598-023-41838-3.
22. Nieto-Castanon, A. (2020). “FMRI minimal preprocessing pipeline”. In: Handbook of functional connectivity Magnetic Resonance Imaging methods in CONN [online]. Hilbert Press. pp. 3–16. DOI: 10.56441/hilbertpress.2207.6599.
23. Morfini, F., Whitfield-Gabrieli, S. and Nieto-Castanon, A. (2023). “Functional connectivity MRI quality control procedures in CONN”. Frontiers in Neuroscience [online]. 17. DOI: 10.3389/fnins.2023.1092125.
24. Khalaf, G. (2022). “Improving the Ordinary Least Squares Estimator by Ridge Regression”. OALib [online]. 9(05), 1–8. DOI: 10.4236/oalib.1108738.
25. Hallquist, M.N., Hwang, K. and Luna, B. (2013). “The nuisance of nuisance regression: Spectral misspecification in a common approach to resting-state fMRI preprocessing reintroduces noise and obscures functional connectivity”. NeuroImage [online]. 82, 208–225. DOI: 10.1016/j.neuroimage.2013.05.116.
26. Nieto-Castanon, A., (2020). “FMRI denoising pipeline”. In: Handbook of functional connectivity Magnetic Resonance Imaging methods in CONN [online]. Hilbert Press. pp. 17–25. DOI: 10.56441/hilbertpress.2207.6600.
27. Whitfield-Gabrieli, S. and Nieto-Castanon, A. (2012). “Conn: A Functional Connectivity Toolbox for Correlated and Anticorrelated Brain Networks”. Brain Connectivity [online]. 2(3), 125–141. DOI: 10.1089/brain.2012.0073.

Надійшла  26.07.2024