Selección de características basada en LLM y explicaciones contrafactuales aplicadas al análisis de conectividad...

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Trastornos Psiquiátricos

Sus antecedentes:

• La esquizofrenia (SZ) presenta desafíos debido a mecanismos neuronales poco claros.
• Los datos de conectividad funcional (FC) de alta dimensión complican la selección e interpretación de características.
• Los métodos tradicionales carecen de la integración del conocimiento de la neurociencia, lo que limita la relevancia clínica.

Objetivo del estudio:

• Desarrollar un marco innovador para el análisis de SZ utilizando la selección de características de FC guiada por LLM.
• Integrar el conocimiento de enfermedades cerebrales codificado por LLM para una selección de características biológicamente plausible.
• Mejorar la interpretabilidad del modelo y la relevancia clínica a través de explicaciones contrafactuales.

Principales métodos:

• Un marco novedoso que combina la selección de características guiada por LLM y la explicación contrafactual para datos de FC.
• Aprovechamiento del conocimiento de LLM para la reducción de la dimensionalidad de datos de FC de alta dimensión.
• Generación de ejemplos de intervención causal y su traducción a explicaciones en lenguaje natural.

Principales resultados:

• Validación en cinco conjuntos de datos de SZ del mundo real.
• Demostró una mejora en el rendimiento de clasificación del modelo para SZ.
• Proporcionó información novedosa sobre el análisis de SZ a través de una mejor selección de características e interpretabilidad.

Conclusiones:

• El método de análisis de FC basado en LLM selecciona eficazmente características clave de FC para regiones cerebrales en SZ.
• El enfoque ofrece una selección de características e interpretabilidad mejoradas para conjuntos de datos de SZ.
• Las limitaciones incluyen desafíos de aplicación clínica debido a la heterogeneidad de los datos e hiperparámetros no optimizados.