Aprender el agrupamiento espectral óptimo para la generación y clasificación de redes cerebrales funcionales

Área de la Ciencia:

• La neurociencia es la neurociencia.
• Biología computacional Biología computacional.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• El análisis de la red cerebral funcional (FBN) es crucial para comprender la organización cerebral y el diagnóstico de trastornos neurológicos / psiquiátricos.
• Las FBN poseen una topología de mundo pequeño con grupos funcionales, donde las anomalías están vinculadas a la enfermedad.
• Los métodos actuales a menudo no explotan completamente esta topología, lo que limita el rendimiento y la interpretabilidad.

Objetivo del estudio:

• Proponer un nuevo marco, Learning Optimal Spectral Clustering (LOSC), que integre la generación, agrupación y clasificación de FBN.
• Para explotar la topología de mundo pequeño de FBNs a través de una función de pérdida basada en la teoría de grafos.
• Mejorar la precisión e interpretabilidad del análisis de FBN para el diagnóstico de enfermedades.

Principales métodos:

• LOSC aprende la conectividad cerebral en un espacio de incrustación espectral espacial no lineal utilizando una propuesta de pérdida de coeficiente de Rayleigh (RQL).
• El marco preserva las propiedades del mundo pequeño en los FBNs generados.
• Divide las FBNs en clusters funcionales y utiliza las relaciones intra e inter-clusters para la clasificación.

Principales resultados:

• LOSC logró ganancias de precisión consistentes de 2.0%, 3.6% y 2.6% en los conjuntos de datos ABIDE, ADHD-200 y HCP, respectivamente.
• El RQL propuesto une la teoría de gráficos y el análisis de FBN basado en el aprendizaje.
• Los grupos funcionales descubiertos se alinean con la neuropatología conocida y ayudan a identificar nuevos biomarcadores.

Conclusiones:

• LOSC ofrece una mejor precisión de clasificación de redes cerebrales mediante el aprovechamiento efectivo de grupos funcionales de mundo pequeño.
• El marco proporciona una base teórica mediante la integración de los principios de la teoría de grafos en el aprendizaje automático.
• LOSC mejora la interpretabilidad en el análisis de FBN, ayudando en el descubrimiento de biomarcadores para trastornos neurológicos y psiquiátricos.