通过对深度神经网络学习的概念进行系统性研究，可以确定变化的大脑区域用于模型验证，从而增加疾病分类模型的可靠性。

Apr, 2024

利用循环卷积神经网络从 4 维功能磁共振成像记录中自动学习有用的表示，旨在利用功能性磁共振成像电影中的空间和时间信息（在全脑像素水平上）识别患有精神分裂症的患者。

Dec, 2017

我们提出了一种基于聚合归一化图卷积网络的方法，通过在图采样中利用聚合、跳跃连接和标识映射，将图像和非图像特征融入节点和边缘，从而增强了预测能力，提供了大脑疾病潜在机制的整体视角。实验结果表明，在自闭症谱系障碍和阿尔茨海默病的预测上，相对于图卷积网络，我们的方法在准确度方面分别提高了 50% 和 13.56%。

Nov, 2023

人脑组织、功能差异、可解决性、预测模型、个体特征解析需要更具信息量的成像或更强大的模型。

Aug, 2023

本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

Feb, 2024

使用机器学习和多模态磁共振成像研究揭示了神经精神和神经退行性疾病中的疾病多样性，通过识别疾病亚型，发现了不同脑表型特征之间的显著差异。在本综述中，首先对使用机器学习和多模态磁共振成像解析神经精神和神经退行性疾病多样性的研究进行了系统文献综述，包括阿尔茨海默病、精神分裂症、抑郁症、孤独症谱系障碍、多发性硬化症以及它们在转诊诊断中的潜力。随后，总结了相关的机器学习方法，并讨论了被称为 “维度性神经影像内部表型” 的新兴范式。维度性神经影像内部表型通过将神经精神和神经退行性疾病的神经生物多样性解剖为一个低维度但信息丰富、量化的脑表型表示，作为一种反映潜在遗传学和病因学的鲁棒性中介表型（内部表型）。最后，讨论了当前研究结果的潜在临床意义并展望了未来的研究方向。

Jan, 2024

本研究采用深度生成神经网络架构进行损伤缺陷推断的任务，并与现有方法进行比较。结果表明，该模型在所有情况下均显著优于已有方法，包括相对较小和嘈杂的数据情况。

May, 2023

本文提出一种基于深度学习和功能连接网络分析的认知障碍疾病分类方法，通过自注意力模型和潜空间项目 - 响应交互网络模型解释分类结果，发现与其他疾病不同的显著功能连接模式。

Jul, 2022

该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

Jan, 2024

阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

Jun, 2024