从多中心静息态数据中提取可再生的生物标志物:以自闭症为例
基于静息态功能磁共振成像 (rs-fMRI) 的深度学习模型被广泛应用于诊断脑疾病,尤其是自闭症谱系障碍 (ASD)。本文提出了一种新颖的可解释的感兴趣区域 (ROI) 选择框架(EAG-RS),通过利用可解释的人工智能技术识别脑区之间的非线性高阶功能关联,并选择具有类别区分能力的脑区进行脑疾病识别。通过使用自闭症脑成像数据库交换(ABIDE)数据集进行实验证实了我们提出方法的有效性,证明其在各种评估指标上优于其他比较方法。此外,我们对选定的感兴趣区域进行定性分析,并鉴别与先前神经科学研究相关的 ASD 亚型。
Oct, 2023
针对孤独症谱系障碍(ASD)的多因素发病学认识,本研究提出了一种融合遗传、人口统计和神经影像数据的整合模型,采用基因数据引导对模型预测重要性的神经影像特征进行修饰的注意力机制,进一步提高 ASD 分类和严重程度预测的性能。
Aug, 2023
本文提出了一种基于大脑模块化的动态表示学习框架,利用图神经网络和神经认知模块进行核心区域的提取,以更好地利用脑功能网络的模块化结构,探究有效的 fMRI 生物标记物用于临床诊断。
Jun, 2023
使用来自 ABIDE I 数据库的结构性磁共振成像(sMRI)数据,评估受试者的状况和不同中心之间的差异,揭示自闭症和正常对照组之间的结构性脑区别的局限性。
Apr, 2024
使用功能性磁共振成像 (fMRI) 构建大脑功能连通图能够帮助理解和诊断自闭症谱系障碍 (ASD) 的特点,进而提高治疗效果。提出了一种层次化的局部 - 全局 Transformer 架构 Com-BrainTF,能够学习到考虑社群内外关联的节点表示,并在 ASD 预测任务中取得比最先进架构更好的性能,拥有高可解释性。
Jun, 2023
使用静息态功能磁共振成像技术 (RsfMRI),本文提出了一种名为 BrainRGIN 的新型建模架构,通过在静态功能网络连接矩阵上使用图神经网络,预测智力 (流体、晶体和总体智力)。在青少年大脑认知发展数据集上评估了我们的模型,证明了其在预测智力个体差异方面的有效性。我们的模型在智力预测任务的均方根误差和相关性得分上均优于现有的相关图形架构和其他传统的机器学习模型。中央额叶回对流体和晶体智力都有显著的贡献,表明它们在这些认知过程中起着关键的作用。总复合分数识别出一组与大脑相关的多样区域,凸显了总智力的复杂性。
Nov, 2023
本研究使用深度强化学习算法(DRL)与监督深度学习算法(SDL)对小型 fMRI 数据集进行分类,结果表明 DRL 在准确率与泛化能力方面都优于 SDL,且对训练数据具有更高的数据利用率。
Jun, 2022
本文综述了功能连接组的快速发展和多种方法,在静息状态下和任务驱动实验中如何比较它们,同时分析它们在不同个体和条件下的变异性,可以揭示大脑病理和认知机制的标记。
Apr, 2013
通过模型解释技术,本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用,特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性,并建议建立新的标准来评估这些潜在生物标记的稳健性。
May, 2024
研究对帕金森病的神经影像学生物标志物进行复制和复现,使用人口统计、临床和神经影像特征(从静息态功能磁共振成像中提取的 fALFF 和 ReHo)预测个体的帕金森病现状和进展,结果表明在与原始研究最接近的分析流程下与该研究一致地取得了显著优于随机的表现,通过复制和复现过程中的挑战提出了推进未来类似研究再现性的建议。
Feb, 2024