本发明属于tms靶点定位，具体涉及一种基于fmri亚型的抑郁障碍tms个体化靶点定位方法及系统。
背景技术：
1、tms（transcranial magnetic stimulation经颅磁刺激）通过施加强磁场刺激左侧dlpfc，于2008年被美国食品和药物管理局（fda）批准用于治疗难治性重性抑郁障碍。然而，现有tms治疗抑郁症的疗效并不佳。tms治疗结果的异质性可能源于对dlpfc刺激靶点的不一致性。在治疗抑郁障碍时，确定dlpfc内最佳治疗部位仍是精神病学的重要目标，以期提高治疗效果。
2、越来越多的研究显示，tms的临床效果与靶点的功能连接紧密相关。例如，膝下前扣带皮质与dlpfc的负连接与疗效相关，并将膝下前扣带皮质（sgacc）作为种子点，计算其在dlpfc中的功能连接峰值点作为tms靶点以治疗抑郁障碍。然而，这些方法依赖于单一大脑种子区域的选择，忽视了不同受试者间生物学的差异性，这种方法的局限性在于它假设种子区在所有受试者中均表现出一致的功能异常，而没有考虑到抑郁障碍的异质性所带来的挑战。
3、最新的研究指出，不同神经影像学亚型的受试者在tms治疗效果上存在显著差异，这突出了基于亚型的神经影像学特征来确定tms靶点的重要性。然而，以往的研究大多忽视了mri指标在生命周期中可能发生的显著变化。因此，我们基于大规模健康人群数据构建了左侧dlpfc的功能连接值的规范模型，并进一步定义了抑郁障碍的神经生物学亚型。此模型考虑到了抑郁症的异质性及不同年龄段mri指标的变化。通过结合这一标准模型和从一组抑郁障碍受试者的静息态fmri（functional magnetic resonance imaging功能磁共振成像）数据中识别出的亚型，我们可以为每位受试者实施个体化的tms靶点定位，旨在根据每位受试者的具体神经生物学特征，优化tms的治疗效果。
技术实现思路
1、本发明的目的在于克服现有技术未考虑抑郁障碍的异质性和个体化差异的不足，提供一种基于fmri亚型的抑郁障碍个体化tms靶点定位方法，通过考虑抑郁症的异质性及不同年龄、性别mri指标变化，构建规范模型，并结合一组抑郁障碍受试者的静息态fmri数据中识别出的亚型，来实现tms个体化靶点定位。
2、本发明解决其技术问题是通过以下技术方案实现的：
3、一种基于fmri亚型的抑郁障碍个体化tms靶点定位方法，所述方法步骤为：
4、步骤1、利用一组健康个体的静息态fmri数据来构建规范模型；
5、步骤2、基于健康个体的规范模型和一组抑郁障碍受试者的静息态fmri数据，构建抑郁障碍偏差图；
6、步骤3、基于所得抑郁障碍偏差图，运用聚类分析方法进行抑郁障碍亚型分类，得到抑郁障碍亚型的偏差图；
7、步骤4、基于抑郁障碍亚型的偏差图，计算不同抑郁障碍亚型的感兴趣脑区；
8、步骤5、基于抑郁障碍亚型的偏差图，训练一个能够区分不同抑郁障碍亚型的分类器；
9、步骤6、使用抑郁障碍亚型分类器对抑郁障碍个体的fmri数据进行分类，获取抑郁障碍亚型的分类结果及亚型对应的感兴趣脑区，并计算抑郁障碍亚型的个体化干预靶点。
10、而且，所述步骤1中利用一组健康个体的静息态fmri数据来构建规范模型，其具体方法是：
11、1.1、收集一组健康个体的静息态fmri数据；
12、1.2、对收集到的健康个体静息态fmri数据预处理，包括去除最初的时间点，时间层校正、头动校正、分割、回归协变量、配准到mni空间、滤波的步骤；
13、1.3、预处理后的健康个体静息态fmri数据根据aal图谱提取出116个脑区bold信号，其中1个脑区bold信号为左侧背外侧前额叶皮层（l_dlpfc）的bold信号；
14、1.4、使用dpabi软件计算左侧背外侧前额叶皮层的bold信号与其余115个脑区bold信号的相关性，并进行fisher-z转换，得到功能连接值，构成l_dlpfc功能连接值的数据集，每个健康个体有115个左侧背外侧前额叶皮层的功能连接值；
15、1.5、应用combat方法控制左侧背外侧前额叶皮层的功能连接值的数据集的不同站点效应，减少站点效应对建模的干扰，得到在共同影像空间的115个左侧背外侧前额叶皮层的功能连接值，即健康组的左侧背外侧前额叶皮层的功能连接值；
16、1.6、基于在共同影像空间的115个左侧背外侧前额叶皮层的功能连接值，利用高斯过程回归（gpr）为所有健康个体构建与年龄和性别相关的115个左侧背外侧前额叶皮层功能连接值的规范模型；
17、1.7、使用pcn工具包对所述规范模型的性能进行评估。
18、而且，步骤2中基于健康个体的规范模型和一组抑郁障碍受试者的静息态fmri数据，构建抑郁障碍偏差图，其具体方法是：
19、2.1、收集一组抑郁障碍受试者的静息态fmri数据；
20、2.2、对收集到的抑郁障碍受试者静息态fmri数据预处理,包括去除最初的时间点，时间层校正、头动校正、分割、回归协变量、配准到mni空间、滤波等步骤；
21、2.3、预处理后的抑郁障碍受试者fmri数据根据aal图谱提取出116个脑区bold信号，其中一个脑区bold信号为左侧背外侧前额叶皮层的bold信号；
22、2.4、使用dpabi软件计算左侧背外侧前额叶皮层的bold信号与其余115个脑区bold信号的相关性，并进行fisher-z转换，得到功能连接值，构成左侧背外侧前额叶皮层功能连接值的数据集，每个抑郁障碍受试者有115个左侧背外侧前额叶皮层的功能连接值；
23、2.5、应用combat方法控制上述抑郁障碍受试者的左侧背外侧前额叶皮层功能连接数据集的不同站点效应，并与前面采集的健康组的左侧背外侧前额叶皮层的功能连接值为共同影像空间，得到与健康组共同影像空间的抑郁障碍左侧背外侧前额叶皮层功能连接数据；
24、2.6、基于与健康组共同影像空间的抑郁障碍左侧背外侧前额叶皮层功能连接数据，将每个抑郁障碍受试者的左侧背外侧前额叶皮层功能连接值与健康规范模型的脑区的l_dlpfc连接值进行比较，利用z值量化偏差程度：
25、；
26、为观测到的左侧背外侧前额叶皮层的功能连接值，
27、为预测的左侧背外侧前额叶皮层的功能连接值，
28、为预测的不确定性，
29、为从规范分布n中得到的方差；
30、z值提供了每个抑郁障碍受试者相对健康人群的左侧背外侧前额叶皮层的功能连接值偏差程度的统计估计，得到了抑郁障碍偏差图。
31、而且，所述步骤3基于所得抑郁障碍偏差图，运用聚类分析方法进行抑郁障碍亚型分类，得到抑郁亚型的偏差图，其具体方法是：
32、3.1、将抑郁障碍偏差图作为聚类特征；
33、3.2、应用matlab的k-mean算法探索不同聚类数的聚类性能，即轮廓系数及卡林斯基-哈拉巴斯指数，并确定最优聚类性能的聚类数量；
34、3.3、使用最优聚类数，基于抑郁障碍偏差图，应用k-means聚类算法探索具有不同偏差模式的抑郁障碍亚型，得到抑郁亚型的偏差图。
35、而且，所述步骤4中基于抑郁障碍亚型的偏差图，计算不同抑郁障碍亚型的感兴趣脑区，其具体方法是：
36、4.1，基于抑郁障碍亚型的偏差图，观察不同亚型的偏离模式特征：每种亚型在不同脑区的偏离人数百分比；
37、4.2，分别将不同抑郁障碍亚型的偏差图的偏离人数百分比最大的5个脑区作为该抑郁障碍亚型的感兴趣脑区。
38、而且，所述步骤5基于抑郁障碍亚型的偏差图，训练一个能够区分不同抑郁障碍亚型的分类器，其具体方法是：
39、5.1、以抑郁障碍亚型的偏差图作为特征集；
40、5.2、通过10倍交叉验证方法将抑郁障碍受试者的数据分割为训练集和测试集；
41、5.3、使用python库scikit-learn来训练支持向量机svm分类器；
42、5.4、绘制抑郁障碍受试者操作特征roc曲线，并计算auc值以测试分类器的性能，训练一个能够区分不同抑郁障碍亚型的分类器。
43、而且，所述步骤6中使用抑郁亚型分类器对抑郁障碍个体的fmri数据进行分类，获取抑郁亚型的分类结果及亚型对应的感兴趣脑区，并计算抑郁障碍亚型的个体化干预靶点，其具体方法是：
44、6.1、收集个体抑郁障碍受试者的静息态fmri数据；
45、6.2、对收集到的静息态fmri数据预处理,包括去除最初的时间点，时间层校正、头动校正、分割、回归协变量、配准到mni空间、滤波的步骤；
46、6.3、预处理后的个体抑郁障碍受试者数据的根据aal图谱提取出116个脑区bold信号，其中一个脑区bold信号为左侧背外侧前额叶皮层的bold信号；
47、6.4、使用dpabi软件计算左侧背外侧前额叶皮层与其余115个脑区bold信号的相关性，并进行fisher-z转换，得到功能连接值，构成左侧背外侧前额叶皮层功能连接值的数据集；
48、6.5、应用combat方法将个体抑郁障碍左侧背外侧前额叶皮层功能连接数据配到与前面采集的健康组和抑郁组的共同影像空间，得到与健康组和抑郁组的共同影像空间的个体抑郁障碍左侧背外侧前额叶皮层功能连接数据；
49、6.6、将左侧背外侧前额叶皮层与每个脑区的功能连接值与健康规范模型进行比较，利用z值量化偏差程度，得到左侧背外侧前额叶皮层功能连接的偏差图；
50、6.7、将偏差图通过svm分类器，以确定其所属的亚型分类，并使用所属分类的感兴趣脑区作为种子点；
51、6.8、基于种子点计算其在左侧背外侧前额叶皮层体素水平的功能连接，将功能连接峰值点定位为经颅磁刺激的个体化tms靶点。
52、一种所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法的定位系统，具体包括：计算机及运行于所述计算机中的数据采集模块、数据预处理模块、静息态fmri指标计算模块、数据标准化模块、健康被试规范模型构建模块、抑郁障碍受试者偏差程度计算模块、抑郁障碍受试者亚型构建模块、抑郁障碍受试者亚型感兴趣脑区计算模块、抑郁障碍受试者亚型分类器模块、个体化靶点获取模块；
53、所述数据采集模块，用于采集一组健康个体、一组抑郁障碍受试者及个体抑郁障碍受试者的静息态fmri数据；
54、数据预处理模块，负责对采集到的一组健康个体、一组抑郁障碍受试者及个体抑郁障碍受试者的静息态fmri进行预处理；
55、静息态fmri指标计算模块，基于预处理后的一组健康个体、一组抑郁障碍受试者及个体抑郁障碍受试者的静息态fmri，分别计算其左侧背外侧前额叶皮层体素水平与其他脑区的功能连接值；
56、数据标准化模块，应用combat方法控制不同数据集之间的站点效应，并使得一组健康个体、一组抑郁障碍受试者及个体抑郁障碍受试者的左侧背外侧前额叶皮层与其他脑区的功能连接值都是在共同的影像空间；
57、健康被试规范模型构建模块，使用gpr为所有健康个体构建与年龄相关左侧背外侧前额叶皮层与115个脑区的功能连接规范模型，并使用pcn工具包对gpr模型进行估计和评估；
58、抑郁障碍受试者偏差程度计算模块，将每位抑郁障碍受试者的左侧背外侧前额叶皮层功能连接值与健康规范模型进行比较，利用z值量化偏差程度；
59、抑郁障碍受试者亚型构建模块，应用k-means聚类算法探索具有不同偏差模式的抑郁障碍亚型，并利用轮廓系数及卡林斯基-哈拉巴斯指数确定最优的聚类数量；
60、抑郁障碍受试者亚型感兴趣脑区计算模块，基于抑郁障碍亚型的偏差图，观察不同亚型的偏离模式特征：每种亚型在不同脑区的偏离人数百分比，将偏离人数百分比最大的5个脑区作为感兴趣脑区；
61、抑郁障碍受试者亚型分类器模块，利用基于抑郁障碍亚型的偏差图，使用python库scikit-learn训练svm分类器，绘制roc曲线并计算auc值，以评估分类器的性能；
62、个体化靶点获取模块，将个体抑郁障碍受试者的偏差图通过svm分类器，以确定其所属的亚型分类，并使用所属分类的感兴趣脑区作为种子点；基于种子点计算个体抑郁障碍受试者的在左侧背外侧前额叶皮层体素水平的功能连接，将功能连接峰值点定位为经颅磁刺激的个体化tms靶点。
63、本发明的优点和有益效果为：
64、1、本发明的基于fmri亚型的抑郁障碍个体化tms靶点定位方法，利用了一组健康人群和抑郁障碍受试者的静息态fmri数据，旨在构建一种个体化的tms靶点定位方法，与传统方法相比，这种方法不依赖于对单个深部脑区的强假设，并充分考虑了影像指标在不同年龄段的显著变异。
65、2、本发明的基于fmri亚型的抑郁障碍个体化tms靶点定位方法，充分考虑了影像指标在不同年龄和性别下的差异。该方法使用规范模型，检测抑郁障碍个体的神经生物学差异，并观察其在正常人常见范围内的偏差程度。相比传统定位方法，这种个体化靶点定位方法考虑了个体差异，从而更有效地进行个体化靶点的定位计算。
1.一种基于fmri亚型的抑郁障碍个体化tms靶点定位方法，其特征在于：所述方法步骤为：
2.根据权利要求1所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法，其特征在于：所述步骤1中利用一组健康个体的静息态fmri数据来构建规范模型，其具体方法是：
3.根据权利要求1所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法，其特征在于：步骤2中基于健康个体的规范模型和一组抑郁障碍受试者的静息态fmri数据，构建抑郁障碍偏差图，其具体方法是：
4.根据权利要求1所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法，其特征在于：所述步骤3基于所得抑郁障碍偏差图，运用聚类分析方法进行抑郁障碍亚型分类，得到抑郁亚型的偏差图，其具体方法是：
5.根据权利要求1所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法，其特征在于：所述步骤4中基于抑郁障碍亚型的偏差图，计算不同抑郁障碍亚型的感兴趣脑区，其具体方法是：
6.根据权利要求1所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法，其特征在于：所述步骤5基于抑郁障碍亚型的偏差图，训练一个能够区分不同抑郁障碍亚型的分类器，其具体方法是：
7.根据权利要求1所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法，其特征在于：所述步骤6中使用抑郁亚型分类器对抑郁障碍个体的fmri数据进行分类，获取抑郁亚型的分类结果及亚型对应的感兴趣脑区，并计算抑郁障碍亚型的个体化干预靶点，其具体方法是：
8.根据权利要求1-7任意一项所述基于fmri亚型的抑郁障碍个体化tms靶点定位方法制定的定位系统，具体包括：计算机及运行于所述计算机中的数据采集模块、数据预处理模块、静息态fmri指标计算模块、数据标准化模块、健康被试规范模型构建模块、抑郁障碍受试者偏差程度计算模块、抑郁障碍受试者亚型构建模块、抑郁障碍受试者亚型感兴趣脑区计算模块、抑郁障碍受试者亚型分类器模块、个体化靶点获取模块；
