Machine Learning applied to functional Magnetic Resonance Imaging in Anxiety Disorders
Machine Learning applied to functional Magnetic Resonance Imaging in Anxiety Disorders
مجریان: سحر رضائی
خلاصه روش اجرا: We will carry out a literature search using PubMed, Web of Science, and Scopus to detect all relevant studies published in 2022. Keywords will generalize anxiety disorder (GAD), social phobia, panic disorder, phobia, and agoraphobia in combination with rheumatoid arthritis, machine learning, deep learning or pattern classification, support vector machine, and functional Magnetic Resonance Imaging (fMRI) neuroimaging. Data selection will conduct in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines (Liberati, Altman, et al. 2009). We will include studies 1) published in English; 2) machine learning studies using fMRI as features of brain abnormalities in any subtypes of anxiety disorders in rheumatoid arthritis. We will exclude articles if 1) they employ neuroimaging techniques other than fMRI; 2) they use a sample of patients with specific phobias (e.g., snakes, dental phobia); 3) they do not directly assess the machine learning on fMRI data; 4) the full-text article do not available.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 71440 |
| عنوان فارسی طرح | Machine Learning applied to functional Magnetic Resonance Imaging in Anxiety Disorders |
| عنوان لاتین طرح | Machine Learning applied to functional Magnetic Resonance Imaging in Anxiety Disorders |
| نوع طرح | طرح تحقیقاتی |
| اولویت طرح | ارائه الگوهای مناسب در مدیریت نظام سلامت |
| نوع مطالعه | مطالعات مرور سیستماتیک |
| تحقیق در نظام سلامت | بلی |
| آیا طرح پایاننامه دانشجویی است؟ | خير |
| مقطع پایان نامه | |
| مدت اجرا - ماه | 6 |
| نوآوری و ضرورت انجام تحقیق | Rheumatoid arthritis (RA) is a chronic immune-mediated inflammatory disease. Despite improvements in therapy, affected individuals often experience persistent disease activity and functional limitations that adversely impact social participation and quality of life. The psychological impacts of chronic disease are significant. Several studies have reported rates of anxiety disorders in RA. Mental illness is common at RA onset and may precede diagnosis. Comorbid anxiety complicates the assessment and management of RA due to overlapping physical symptoms and is associated with poor arthritis outcomes, including increased hospitalization and mortality. Achieving disease control in RA requires early assessment and management, including managing comorbidities such as mental health disorders. To identify individuals potentially affected by mental health disorders, clinicians need access to valid, reliable, and brief screening instruments for these conditions. One of the most prevalent mental states of humans is anxiety, characterized by a fear of possible risks rather than known ones. Anxiety disorders (AD), including generalized anxiety disorder (GAD), social anxiety disorder (SAD), panic disorder (PD), agoraphobia (AG), and specific phobia are associated with a significant decrease in quality of life and costs to society. During the last few years, several lines of research demonstrated that neuroimaging has diagnostic potential and can be used to predict anxiety disorder subtypes. In this regard, functional brain deficits of mental disorders as well as the neural networks of fear conditioning have been extensively studied using functional magnetic resonance imaging (fMRI). In terms of functional measurements, prior studies have shown that SAD patients’ exhibit functional connectivity (FC) abnormalities in the default mode network (DMN), the dorsal attention network (DAN), the bilateral precuneus, and the right fusiform gyrus, in addition to increased activation of the bilateral amygdala and left medial temporal lobe during emotional stimuli. The aberrant FC between the amygdala and several brain regions, including the prefrontal cortex, anterior cingulate cortices, insula, and limbic system, have been consistently reported in AD. A variety of reliable diagnostic problems in psychiatry have led to neuroscience being identified as a field that could help overcome current diagnostic system limitations by identifying neurobiological markers for specific psychopathologies. Due to technological advancements, the scientific community has recently begun applying Machine learning (ML) techniques to neuroimaging data in order to brain imaging interpretation. ML is an advanced data analysis method and one of the subfields of artificial intelligence that has the potential to enable the upgrading of clinical decision-making, such as diagnostic evaluations, and to offer evidence-based determination of which brain regions display the most considerable differences between individuals with different disorders. In the context of neuroscience, machine learning can dramatically improve the sensitivity of brain imaging by accumulating information from multiple voxels of MRI signals, i.e., by examining the information contained in a distributed spatial pattern of brain activity rather than the information contained in a single voxel. Specifically for psychiatry, data-driven ML approaches can be successfully used to predict treatment response and recover diagnostic information from high-dimensional data. In this context, our study will summarize machine learning studies that used fMRI data as features to explore brain functional changes in patients with anxiety disorders in rheumatoid arthritis and evaluate how different machine learning methods affected neuroimaging findings. Specifically, we aim to shed light on the joint potential effect of fMRI and machine learning on the diagnosis and prediction of biomarkers for types of anxiety in rheumatoid arthritis. |
| اهداف اختصاصی | Assessment of the joint potential effect of fMRI and machine learning on the diagnosis and prediction of biomarkers for types of anxiety in rheumatoid arthritis |
| چکیده انگلیسی طرح | Abstract: Anxiety disorders are common in rheumatoid arthritis and contribute to adverse health outcomes. These disorders are among the most common psychiatric disorders characterized by selective structural/functional brain abnormalities. However, the predictive value of these potential biomarkers and their abilities to discriminate patients from controls are still to be ascertained by machine learning (ML) studies. Therefore, with this review, we aim to provide a comprehensive overview of ML studies exploring the potential discriminating role of functional brain deficits, identified by magnetic resonance imaging (fMRI), in anxiety disorder types of Rheumatoid Arthritis. A search on PubMed, Web of Science, and Scopus of ML studies using fMRI as features in patients with anxiety disorders in Rheumatoid Arthritis will conduct. |
| کلمات کلیدی | Machine Learning ,Anxiety Disorders,functional Magnetic Resonance Imaging ,Rheumatoid arthritis |
| ذینفعان نتایج طرح |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| سحر رضائی | مجری اول (اصلی-هیات علمی) |
| اسماعیل قره پاپاق | همکار اصلی |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر استفاده از هوش مصنوعی به همراه روش تصویربرداری عملکردی MRI می تواند در تشخیص اختلالات اضطرابی مفید باشدمتن خبر اضطراب یکی از ویژگی های کلیدی نشان دهنده سلامت روان است اما اختلالات اضطرابی با نگرانی و دلهره مداوم مشخص می شود. احساس اضطراب بدون عامل خارجی استرس زا یا پاسخ بیش از حدّ و طولانی مدّت به آنها علاوه بر رنج، ناتوانی فرد در انجام کار، تحصیل و ارتباط با دیگران سبب بار اقتصادی قابل توجهی گردد. در این راستا، گزینه های درمانی متدوال همیشه موثر نیستند، زیرا پاتوفیزیولوژی اختلالات اضطرابی هنوز به طور کامل شناخته نشده است. به همین دلیل، محققان توجه خود را به مطالعه زیربنای عصبی اختلالات اضطرابی معطوف کردند. اخیراً، جامعه علمی شروع به استفاده از روشهای یادگیری ماشینی برای دادههای تصویربرداری عصبی به منظور شناسایی عوامل پیشبینیکننده عصبی-بیولوژیکی آسیبشناسی روانی کرده است. در راستای بررسی ها مشخص شد که ویژگیهای تصویربرداری عملکردی MRI قادر به پیشبینی وجود اختلالات اضطرابی (با یا بدون بیماریهای زمینه ای) و شدت علائم در سطح فردی هستند، در نتیجه محدودیتهای روشهای تشخیصی را که تنها بر اساس ارزیابی ذهنی علائم و نشانههای بالینی می باشند به حداقل میرسانند. لذا پیشنهاد میگردد روش های تصویربرداری عملکردی برای تشخیص و پیشبینی نتایج درمان در اختلالات اضطرابی در سطح فردی استفاده گردد. |
| متخصصان و پژوهشگران | عنوان خبر استفاده از هوش مصنوعی به همراه روش تصویربرداری عملکردی MRI می تواند در تشخیص اختلالات اضطرابی مفید باشدمتن خبر اختلالات اضطرابی با نگرانی و دلهره مداوم علاوه بر رنج، ناتوانی فرد در انجام کار، تحصیل و ارتباط با دیگران سبب بار اقتصادی قابل توجهی میگردد. باید در نظر داشت گزینه های درمانی متدوال همیشه موثر نیستند، زیرا پاتوفیزیولوژی اختلالات اضطرابی هنوز به طور کامل شناخته نشده است. به همین دلیل، پژوهشگران توجه خود را به مطالعه زیربنای عصبی اختلالات اضطرابی معطوف کردند. با پیشرفت فناوری و استفاده از روشهای یادگیری ماشینی برای دادههای تصویربرداری عصبی به منظور شناسایی عوامل پیشبینیکننده عصبی-بیولوژیکی آسیبشناسی روانی مشخص گردید که ویژگیهای تصویربرداری عملکردی MRI قادر به پیشبینی وجود اختلالات اضطرابی و شدت علائم در سطح فردی می باشند. در این راستا، اینسولا، قشر سینگولیت قدامی ، قطب زمانی و هیپوکامپ قابلیت تشخیصی با دقت بالارا در بررسی ها انجام گرفته توسط MRI عملکردی مبتنی بر تسک نشان دادند. علاوه بر این، در مطالعات MRI عملکردی در حالت استراحت، شبکه حالت پیش فرض مغز شبکه حسی و اینسولا بهترین ویژگیهای تمایز در بین بیماران از خود نشان دادند. لذا پیشنهاد میگردد از روش های تصویربرداری عملکردی برای تشخیص و پیشبینی نتایج درمان در اختلالات اضطرابی در سطح فردی استفاده گردد. |
| سیاستگذاران درمانی | عنوان خبر استفاده از هوش مصنوعی به همراه روش تصویربرداری عملکردی MRI می تواند در تشخیص اختلالات اضطرابی مفید باشدمتن خبر اختلالات اضطرابی با نگرانی و دلهره مداوم علاوه بر رنج، ناتوانی فرد در انجام کار، تحصیل و ارتباط با دیگران سبب بار اقتصادی قابل توجهی میگردد. باید در نظر داشت گزینه های درمانی متدوال همیشه موثر نیستند، زیرا پاتوفیزیولوژی اختلالات اضطرابی هنوز به طور کامل شناخته نشده است. لذا پژوهشگران توجه خود را به مطالعه زیربنای عصبی اختلالات اضطرابی معطوف کردند. با پیشرفت فناوری و استفاده از روشهای یادگیری ماشینی برای دادههای تصویربرداری عصبی به منظور شناسایی عوامل پیشبینیکننده عصبی-بیولوژیکی آسیبشناسی روانی مشخص گردید که ویژگیهای تصویربرداری عملکردی MRI قادر به پیشبینی وجود اختلالات اضطرابی و شدت علائم در سطح فردی هستند، در نتیجه محدودیتهای روشهای تشخیصی را که تنها بر اساس ارزیابی ذهنی علائم و نشانههای بالینی می باشند به حداقل میرسانند. با توجه به پتانسیل روشهای یادگیری ماشین برای پیشبینی نتایج درمان در اختلالات اضطرابی، این روش ها میتواند به عنوان یک ابزار مفید کمک کننده برای تشخیص و پیشبینی نتایج درمان در اختلالات اضطرابی در سطح فردی مورد استفاده قرار گیرد. با توجه به اهمیت این موضوع لازم است برای افزایش کارایی درمان از این روند برای فردی کردن درمان استفاده گردد. |
| سیاستگذاران پژوهشی | عنوان خبر استفاده از هوش مصنوعی به همراه روش تصویربرداری عملکردی MRI می تواند در تشخیص اختلالات اضطرابی مفید باشدمتن خبر اختلالات اضطرابی با نگرانی و دلهره مداوم علاوه بر رنج، ناتوانی فرد در انجام کار، تحصیل و ارتباط با دیگران سبب بار اقتصادی قابل توجهی میگردد. باید در نظر داشت گزینه های درمانی متدوال همیشه موثر نیستند، زیرا پاتوفیزیولوژی اختلالات اضطرابی هنوز به طور کامل شناخته نشده است. به همین دلیل، پژوهشگران توجه خود را به مطالعه زیربنای عصبی اختلالات اضطرابی معطوف کردند. با پیشرفت فناوری و استفاده از روشهای یادگیری ماشینی برای دادههای تصویربرداری عصبی به منظور شناسایی عوامل پیشبینیکننده عصبی-بیولوژیکی آسیبشناسی روانی مشخص گردید که ویژگیهای تصویربرداری عملکردی MRI قادر به پیشبینی وجود اختلالات اضطرابی و شدت علائم در سطح فردی هستند، در نتیجه محدودیتهای روشهای تشخیصی را که تنها بر اساس ارزیابی ذهنی علائم و نشانههای بالینی می باشند به حداقل میرسانند. لازم به ذکر است برای تأیید این نظریه، مطالعات بزرگتر با جمعیت های همگن و روش های مشابه مورد نیاز است. علاوه بر این پیشنهاد میگردد با توجه به عدم وجود سیستم تصویربرداری عملکردی MRI در کشور، استفاده از سایر روش های تصویربرداری عملکردی مانند پزشکی هسته ای برای تشخیص و پیشبینی نتایج درمان در اختلالات اضطرابی در سطح فردی بررسی گردد. |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
