Application of support vector machines in psychiatry: the case of multimodal data integration and stratification based on sex and gender

Urquijo Castro, Maria Fernanda (2025): Application of support vector machines in psychiatry: the case of multimodal data integration and stratification based on sex and gender. Dissertation, LMU München: Medizinische Fakultät

Abstract

Support Vector Machines (SVMs) have a transformative role in advancing precision psychiatry. As a powerful supervised machine learning technique, SVMs have significantly enhanced diagnostic accuracy and outcome prediction on an individual level. In this thesis, two approaches were studied. First, we evaluate the potential of SVMs when integrating diverse data sources to provide a comprehensive understanding of mental health conditions. Moreover, we evaluated how SVMs can aid in acknowledging biological and psychosocial differences such as a person’s sex and gender which ultimately help the tailoring of more effective treatments. In the first study, we employed SVMs to showcase the benefits of integrating multimodal neuroimaging data for distinguishing healthy individuals from those with schizophrenia. Our main findings demonstrated that combining structural and resting-state functional MRI data improved classification accuracy to 75% Balanced Accuracy (BAC), compared to approximately 70% BAC using single modalities. Furthermore, we investigated the interactions between sex-related brain structures, gender identity and mood disorders using a machine learning framework. SVMs were applied to classify biological sex (female vs. male) using neuroanatomical data from both cisgender and transgender individuals. The model achieved 82% BAC for cisgender samples, whereas for transgender samples, it achieved 67% BAC. When applied to individuals with major depression, performance decreased to 75% and 55% BAC, respectively. These results suggests that the existence of a strong imprint of sex on brain structure which interacts majorly with gender identity and psychiatric phenotypes, causing a blurring in the biological sex neuroanatomical signature. These analyses underscore the potential of machine learning, particularly SVMs, coupled with rigorous characterization of individuals based on sex/gender and multimodal data integration, to advance precision psychiatry. By facilitating more effective diagnostic, preventive, and treatment strategies, this approach holds promise for improving outcomes in individuals with mental disorders.

Abstract

Support Vector Machines (SVMs) spielen eine transformative Rolle bei der Weiterentwicklung der Präzisionspsychiatrie. Als eine leistungsstarke überwachte maschinelle Lerntechnik haben SVMs die diagnostische Genauigkeit und die Vorhersage von Ergebnissen auf individueller Ebene erheblich verbessert. In dieser Dissertation wurden zwei Ansätze untersucht. Erstens evaluieren wir das Potenzial von SVMs bei der Integration verschiedener Datenquellen, um ein umfassendes Verständnis von psychischen Gesundheitszuständen zu bieten. Darüber hinaus untersuchten wir, wie SVMs dabei helfen können, biologische und psychosoziale Unterschiede wie das biologische Geschlecht (sex) und das soziale Geschlecht (gender) einzubeziehen, was letztlich zu maßgeschneiderten und wirksameren Behandlungen führen kann. In der ersten Studie verwendeten wir SVMs, um die Vorteile der Integration multimodaler Neuroimaging-Daten bei der Unterscheidung zwischen gesunden Personen und solchen mit Schizophrenie aufzuzeigen. Unsere Hauptbefunde zeigten, dass die Kombination von strukturellen und funktionellen MRT-Daten im Ruhezustand die Klassifikationsgenauigkeit auf 75% Balanced Accuracy (BAC) verbesserte, verglichen mit etwa 70% BAC bei der Verwendung einzelner Modalitäten. Darüber hinaus untersuchten wir die Interaktionen zwischen geschlechtsbezogenen Gehirnstrukturen, Geschlechtsidentität und affektiven Störungen unter Verwendung eines maschinellen Lernrahmens. SVMs wurden angewendet, um das biologische Geschlecht (weiblich vs. männlich) anhand neuroanatomischer Daten von sowohl cis- als auch transgender Personen zu klassifizieren. Das Modell erreichte eine BAC von 82% für Cisgender-Proben, während es für Transgender-Proben eine BAC von 67% erzielte. Bei Anwendung auf Personen mit Major Depression sank die Leistung auf 75% bzw. 55% BAC. Diese Ergebnisse deuten darauf hin, dass es einen starken Einfluss des biologischen Geschlechts auf die Gehirnstruktur gibt, der in bedeutendem Maße mit der Geschlechtsidentität und psychiatrischen Phänotypen interagiert und so eine Diffusion der neuroanatomischen Signatur des biologischen Geschlechts verursacht. Diese Analysen unterstreichen das Potenzial des maschinellen Lernens, insbesondere von SVMs, in Kombination mit einer rigorosen Charakterisierung von Individuen basierend auf biologischem Geschlecht/Gender und multimodaler Datenintegration, um die Präzisionspsychiatrie voranzutreiben. Durch die Erleichterung effektiverer diagnostischer, präventiver und therapeutischer Strategien verspricht dieser Ansatz, die Ergebnisse bei Personen mit psychischen Störungen zu verbessern.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Keywords: machine learning, SVM, multimodal data analysis, neuroimaging, sex, gender
• Themengebiete: 600 Technik, Medizin, angewandte Wissenschaften ; 600 Technik, Medizin, angewandte Wissenschaften > 610 Medizin und Gesundheit
• Fakultäten: Medizinische Fakultät
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 20. Januar 2025
• 1. Bericht­erstatter:in: Koutsouleris, Nikolaos