Wieloklasowa klasyfikacja zaburzeń psychicznych na podstawie EEG z wykorzystaniem interpretowalnego uczenia maszynowego oraz cech spektralnych i łączności funkcjonalnej Autorzy: Aangi Shah, Ajay Goyal Streszczenie: Diagnostyka psychiatryczna w dużym stopniu opiera się na subiektywnej ocenie klinicznej, co ogranicza możliwość obiektywnego różnicowania współwystępujących zaburzeń. W niniejszym badaniu przedstawiono interpretowalny model wieloklasowej klasyfikacji na podstawie elektroencefalografii (EEG), obejmujący zaburzenia związane z uzależnieniami, zaburzenia lękowe, zaburzenia nastroju, zaburzenia obsesyjno-kompulsyjne (OCD), schizofrenię, zaburzenia związane z traumą i stresem oraz grupę zdrowych osób kontrolnych. Przeanalizowano zbiór danych obejmujący 945 osób i 1140 cech spektralnych oraz cech koherencji wyznaczonych z EEG. Selekcja oparta na wariancji pozwoliła ograniczyć liczbę cech do 300. Klasyfikację przeprowadzono przy użyciu maszyny ekstremalnego uczenia (Extreme Learning Machine, ELM), naiwnego klasyfikatora Bayesa (Naïve Bayes, NB) oraz maszyny wektorów nośnych (Support Vector Machine, SVM), stosując podejście „jedna klasa przeciwko wszystkim”. Model NB wykazał stosunkowo ograniczoną zdolność rozróżniania klas (F1: 35,33%–72,76%). Model ELM osiągnął stabilne wyniki, ze wskaźnikami F1 od 66,03% do 89,31%, oraz konsekwentnie wyższą trafność klasyfikacji na zbiorze testowym we wszystkich klasach, w tym 95,12% dla OCD i 90,34% dla zdrowej grupy kontrolnej. Model SVM zapewnił najlepszą równowagę między precyzją a czułością w większości klas, uzyskując wskaźniki F1 wynoszące 94,00% dla OCD, 84,08% dla zaburzeń lękowych i 79,84% dla schizofrenii. Największym wyzwaniem pozostała klasyfikacja zaburzeń nastroju (maksymalny F1: 66,03%). Analiza poszczególnych pasm częstotliwości wykazała, że cechy pasma theta miały największą zdolność rozróżniania klas w analizowanym zbiorze danych, osiągając samodzielnie trafność klasyfikacji na poziomie 91,57%. Wyniki sugerują, że cechy spektralne i koherencyjne wyznaczone z EEG, połączone z lekkimi obliczeniowo klasyfikatorami uczenia maszynowego, mogą wspierać wieloklasową klasyfikację zaburzeń psychicznych, choć skuteczność różni się między poszczególnymi klasami. Niższa skuteczność w przypadku zaburzeń nastroju oraz wykorzystanie tylko jednego publicznie dostępnego zbioru danych wskazują jednak na konieczność dalszej walidacji zewnętrznej, porównań statystycznych i integracji cech multimodalnych przed zastosowaniem tego podejścia w praktyce klinicznej.