Method comparisons for differentiation of Schizophrenia and Bipolar based on rs-fMRI Intrinsic and Functional Networks

Technische Samenvatting: Methodevergelijkingen voor het differentiëren van Schizofrenie en Bipolaire Stoornis op basis van rs-fMRI

Probleemstelling
Schizofrenie (SZ) en Bipolaire Stoornis (BS) met psychose zijn afzonderlijke klinische entiteiten die aanzienlijke overlappende symptomen, genetische risicofactoren en cognitieve defecten delen. Deze overlap creëert substantiële uitdagingen voor een nauwkeurige differentiële diagnose, waarbij misdiagnose kan leiden tot ineffectieve of verergerende behandelingen (bijv. antipsychotica die manie bij BS verergeren). Hoewel resting-state functionele Magnetische Resonantie Imaging (rs-fMRI) een veelbelovende weg biedt voor het identificeren van objectieve biomarkers, ontbreekt het het vakgebied aan consensus over de meest effectieve representatie van hersenconnectiviteit voor het onderscheiden van deze stoornissen. Specifiek blijft het onduidelijk of de temporele profielen van intrinsieke connectiviteitsnetwerken (ICN) of diverse functionele netwerkconnectiviteitsbenaderingen (FNC) — statisch, dynamisch en van hogere orde — superieure discriminerende kracht bieden.

Methodologie
De studie evalueerde meerdere rs-fMRI-representaties op een cohort van 786 proefpersonen (371 voor training, 315 voor een gehouden testset), bestaande uit 288 SZ- en 183 BS-patiënten. De gegevens bestonden uit 105 intrinsieke connectiviteitsnetwerken (ICN's) afgeleid van rs-fMRI met behulp van een multi-schaal ruimtelijk beperkte ICA-template. De methodologie werd verdeeld in twee primaire stromen:

1. ICN Temporele Profielanalyse:

   • Preprocessing: ICN-tijdreeksen werden zero-padded naar een uniforme lengte van 234 samples. Signalen werden verwerkt via drie banddoorlaatfilters (Laag: 0,01–0,15 Hz, Midden: 0,15–0,35 Hz, Hoog: 0,35–0,5 Hz).
   • Tijd-frequentie-representaties: Spectrogrammen werden gegenereerd met behulp van Short-Time Fourier Transform (STFT) met een Tukey-venster, en scalogrammen werden gegenereerd met behulp van Continuous Wavelet Transform (CWT) met een Morlet-wavelet.
   • Classificatie: Deep learning-architecturen werden ingezet. Een 1D Convolutioneel Neuraal Netwerk (CNN) werd getraind op ruwe en gefilterde tijdreeksen. Een vereenvoudigd 3D CNN werd toegepast op de volumetrische spectrogram- en scalogramkenmerken om computationele beperkingen te beheersen.

2. Functionele Netwerkconnectiviteitsanalyse (FNC):

   • Kenmerkextractie: FNC-matrices werden berekend als Pearson-correlaties tussen paren van ICN-tijdreeksen.
   • Representaties:
     • Statische FNC (sFNC): Berekend over de volledige duur (en een gestandaardiseerde verkorte lengte van 100 samples voor vergelijking).
     • Dynamische FNC (dFNC): Berekend met behulp van sliding windows met variërende lengtes ($L$) en stapgroottes ($s$).
     • Hogere-orde FNC (hFNC): Afgeleid door correlaties te berekenen tussen de correlatie-tijdreeksen van dFNC-clusters (met behulp van K-means met variërende clusteraantallen $U$).
   • Classificatie: Zeven klassieke machine learning-algoritmen (SVM, Random Forest, Logistische Regressie, KNN, Naïve Bayes, Decision Tree, LDA) werden getraind op afgeplatte connectiviteitskenmerken. Logistische Regressie werd specifiek gebruikt voor de hoog-dimensionale sFNC, dFNC- en hFNC-kenmerken afgeleid van verkorte tijdreeksen.

Belangrijkste Resultaten
De evaluatie, primair gemeten door de Area Under the Curve (AUC) op de gehouden testset, leverde de volgende bevindingen op:

• ICN Temporele Profielen: Het 1D CNN getraind op ruwe ICN-tijdreeksen behaalde de hoogste algehele prestatie met een AUC van 0,67. Dit presteerde beter dan modellen getraind op bandgelimiteerde signalen (Middenfrequentie: 0,54, Laag: 0,546, Hoog: 0,53) en 3D CNN's toegepast op spectrogrammen (AUC 0,49) en scalogrammen (AUC 0,53).
• Connectiviteitsgebaseerde Methoden: Onder de connectiviteitsbenaderingen presteerde Statische FNC (sFNC) over het algemeen beter dan dynamische en hogere-orde representaties.
  • sFNC behaalde een AUC van 0,570.
  • dFNC-configuraties varieerden van 0,548 tot 0,569, wat geen duidelijk voordeel toonde ten opzichte van statische methoden.
  • hFNC-configuraties presteerden het slechtst, met AUC's variërend van 0,436 tot 0,565, zonder een consistente trend ten opzichte van parametervariaties (vensterlengte, stapgrootte, aantal clusters).
• Prestaties Klassieke ML: Onder de zeven toegepaste classifiers op volledige FNC-kenmerken behaalde Logistische Regressie de hoogste ROC-AUC (0,640), gevolgd door SVM (0,632) en LDA (0,620). Random Forest behaalde de hoogste ruwe nauwkeurigheid (0,68) maar vertoonde een zeer lage F1-score (~0,20), wat wijst op een bias naar de meerderheidsklasse (SZ) door klassenimbalans.

Betekenis en Claims
Het artikel stelt dat hoewel de classificatieprestaties bescheiden blijven, de resultaten cruciale inzichten bieden in de stabiliteit van neuroimaging-biomarkers voor de differentiatie van psychose:

1. Superioriteit van Ruwe Temporele Profielen: De bevinding dat ruwe ICN-tijdreeksen verwerkt door een 1D CNN beter presteren dan complexe tijd-frequentie-representaties, suggereert dat diagnostisch relevante informatie verspreid is over het volledige frequentiespectrum. Het deconstrueren van signalen in smalle banden of complexe 3D-structuren kan complementaire cross-band dynamiek weggooien of risico's op overfitting introduceren, gezien de beperkte cohortgrootte.
2. Stabiliteit van Connectiviteit van Lagere Orde: De consistente superieure prestatie van statische functionele connectiviteit ten opzichte van dynamische en hogere-orde representaties daagt de intuïtie uit dat verhoogde temporele complexiteit een betere diagnostische bruikbaarheid oplevert. De auteurs suggereren dat de standaardisatie van de tijdreekslengtes (naar 100 samples) voor methodologische vergelijkbaarheid waarschijnlijk de temporele resolutie heeft verminderd die nodig is voor dFNC en hFNC om betekenisvolle fluctuaties te vangen.
3. Uitdagingen in Differentiatie: De bescheiden algehele prestaties onderstrepen de inherente moeilijkheid van het differentiëren tussen SZ en BS met enkel rs-fMRI, gezien hun aanzienlijke genetische, neurobiologische en symptomatische overlap. De studie benadrukt dat verhoogde representatieve complexiteit niet noodzakelijkerwijs leidt tot verbeterde generalisatie in deze context.
4. Methodologische Implicaties: De resultaten benadrukken het belang van acquisitieduur, waarbij wordt opgemerkt dat sFNC berekend uit volledige tijdreeksen in eerder werk betere scores opleverde dan de verkorte versies die hier werden gebruikt. De studie signaleert ook de impact van klassenimbalans op metrieken zoals F1-scores en nauwkeurigheid, wat suggereert dat toekomstig werk dit moet adresseren om ervoor te zorgen dat gerapporteerde metrieken een werkelijke discriminerende bekwaamheid reflecteren.

Concluderend draagt de studie bij aan de voortdurende inspanning om reproduceerbare neuroimaging-biomarkers te ontwikkelen door aan te tonen dat eenvoudige, laag-orde representaties (ruwe temporele profielen en statische connectiviteit) momenteel de meest robuuste, zij het nog beperkte, discriminerende kracht bieden voor het onderscheiden van schizofrenie van bipolaire stoornis.