Predikce funkčního vyústění schizofrenie z multimodálních dat

Abstract

Schizofrenie je závažné duševní onemocnění s různými klinickými průběhy, jehož neurobiologická podstata není známa a neexistuje univerzální léčba. Predikce funkčního vyústění může zlepšit prognózu a kvalitu života pacientů, zejména v časných stádiích nemoci. Tato diplomová práce zkoumá možnosti predikce funkčního vyústění z multimodálních dat a porovnává několik metod regrese pro data s vysokou mírou kolinearity. Použitý multimodální dataset pochází z Národního ústavu duševního zdraví z longitudinální studie pacientů s první epizodou schizofrenie (Early-Stage Schizophrenia Outcome). Data byla analyzována pomocí metod supervidovaných hlavních komponent (SPCA) dle Baira a Barshana. Byly použity modely lineární regrese a elasticNet regrese, přičemž hyperparametry modelů byly nastaveny pomocí 5-fold krosvalidace. Výsledky ukazují, že Bairova metoda SPCA nebyla užitečná, zatímco Barshanovy metody SPCA a Dual SPCA mohou být přínosné, pokud jsou doplněny robustními modely. Nejvyšší přesnosti predikce bylo dosaženo u psychologické domény kvality života s modelem lineární regrese a u součtu negativních příznaků s modelem elasticNet regrese, obě predikce po agregaci dat metodou Dual Barshan SPCA. Modely vysvětlily na testovací sadě 29 % variability dat.

Schizophrenia is a serious mental illness with a variety of clinical courses, the neurobiological basis of which is unknown and there is no universal treatment. Predicting the functional outcome can improve the prognosis and quality of life of patients, especially in the early stages of the disease. This thesis explores the possibilities of predicting functional outcome from multimodal data and compares several regression methods for data with a high degree of collinearity. The multimodal dataset used is from the National Institute of Mental Health longitudinal study of patients with the first episode of schizophrenia (Early-Stage Schizophrenia Outcome). Data were analyzed using supervised principal component analysis (SPCA) methods according to Bair and Barshan. Linear regression and ElasticNet regression models were used, and the hyperparameters of the models were adjusted using 5-fold cross-validation. The results show that Bair's SPCA method was not useful, while Barshan's SPCA and Dual SPCA methods can be beneficial when complemented with robust models. The highest prediction accuracy was achieved for the psychological quality of life domain with the linear regression model and for the sum of negative symptoms with the elasticNet regression model. Both predictions were made using data aggregation with the Dual Barshan SPCA method. The models explained 29 % of the variability in the data in the test set.