A machine learning‐derived neuroanatomical pattern predicts delayed reward discounting in the Human Connectome Project Young Adult sample

人类连接体项目 连接体 心理学 显著性(神经科学) 神经科学 单变量 默认模式网络 人脑 冲动性 脑形态计量学 认知 发展心理学 多元统计 磁共振成像 机器学习 计算机科学 功能连接 医学 放射科
作者
Hui Xu,James MacKillop,Max M. Owens
出处
期刊:Journal of Neuroscience Research [Wiley]
卷期号:101 (7): 1125-1137 被引量:2
标识
DOI:10.1002/jnr.25185
摘要

Delayed reward discounting (DRD) is defined as the extent to which person favors smaller rewards that are immediately available over larger rewards available in the future. Higher levels of DRD have been identified in individuals with a wide range of clinical disorders. Although there have been studies adopting larger samples and using only gray matter volume to characterize the neuroanatomical correlates of DRD, it is still unclear whether previously identified relationships are generalizable (out-of-sample) and how cortical thickness and cortical surface area contribute to DRD. In this study, using the Human Connectome Project Young Adult dataset (N = 1038), a machine learning cross-validated elastic net regression approach was used to characterize the neuroanatomical pattern of structural magnetic resonance imaging variables associated with DRD. The results revealed a multi-region neuroanatomical pattern predicted DRD and this was robust in a held-out test set (morphometry-only R2 = 3.34%, morphometry + demographics R2 = 6.96%). The neuroanatomical pattern included regions implicated in the default mode network, executive control network, and salience network. The relationship of these regions with DRD was further supported by univariate linear mixed effects modeling results, in which many of the regions identified as part of this pattern showed significant univariate associations with DRD. Taken together, these findings provide evidence that a machine learning-derived neuroanatomical pattern encompassing various theoretically relevant brain networks produces robustly predicts DRD in a large sample of healthy young adults.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
周芷卉完成签到 ,获得积分10
2秒前
yanyan完成签到,获得积分10
3秒前
伶俐寒凝发布了新的文献求助30
3秒前
科研通AI2S应助哈哈采纳,获得10
3秒前
4秒前
meng若完成签到 ,获得积分10
4秒前
完美世界应助苏玖染采纳,获得10
5秒前
王小歪完成签到,获得积分10
5秒前
独孤阳光完成签到,获得积分10
5秒前
7秒前
星河发布了新的文献求助10
7秒前
monthli完成签到,获得积分10
7秒前
聪明大米完成签到 ,获得积分10
7秒前
7秒前
kiminonawa应助静鸭采纳,获得10
7秒前
生命科学的第一推动力完成签到 ,获得积分10
8秒前
Ava应助hong采纳,获得10
9秒前
打打应助Jiayi采纳,获得10
10秒前
传奇3应助珊珊采纳,获得10
10秒前
10秒前
wwwwj完成签到,获得积分10
11秒前
泱泱完成签到,获得积分10
12秒前
orixero应助北林采纳,获得10
13秒前
jimskylxk完成签到,获得积分10
13秒前
独特笙发布了新的文献求助10
13秒前
13秒前
哈哈完成签到,获得积分10
14秒前
欢呼如柏完成签到,获得积分10
14秒前
14秒前
佟语雪完成签到,获得积分10
15秒前
15秒前
jimskylxk发布了新的文献求助10
16秒前
孙铭泽发布了新的文献求助10
16秒前
哈哈发布了新的文献求助10
16秒前
苹果骑士完成签到,获得积分10
17秒前
lolitam发布了新的文献求助10
17秒前
19秒前
FashionBoy应助每天都要开心采纳,获得10
20秒前
21秒前
哈呜哈巫完成签到,获得积分20
24秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245645
求助须知:如何正确求助?哪些是违规求助? 2889398
关于积分的说明 8257916
捐赠科研通 2557696
什么是DOI,文献DOI怎么找? 1386434
科研通“疑难数据库(出版商)”最低求助积分说明 650327
邀请新用户注册赠送积分活动 626641