ADHD診断とマルチモーダルグラフ注意畳み込みニューラルネットワークに基づくバイオマーカー検出

科学分野:

• 神経科学
• 人工知能
• 医療診断

背景:

• GNNは、脳機能ネットワークを用いた神経精神疾患の診断に有望です。
• 注意欠陥・多動性障害（ADHD）診断のための既存のGNN手法は、マルチモーダルデータ統合の不備により精度に限界があります。

研究 の 目的:

• マルチモーダル脳データを効果的に統合するための、ADHD特定のための改良型GNNモデルを開発すること。
• ADHD診断のための脳機能ネットワークの分析を強化すること。

主な方法:

• マルチバンド低周波変動振幅（ALFF）データと機能的結合性（FC）データを統合するグラフ注意畳み込みネットワーク（Att-GCN）を提案しました。
• ALFFデータがノードを形成し、FCデータが補助ノードに変換される二重グラフ表現を構築し、トポロジー上の関連性を維持しました。
• グラフベースの特徴選択を適用して二重グラフを洗練し、Att-GCNを高レベルの特徴学習とADHD被験者の特定に利用しました。

主要な成果:

• ADHD-200データセット全体でADHD被験者を特定する平均精度を93.1%達成しました。
• 右辺縁系（11の脳領域）で特に高いパフォーマンスを示しました。
• 視床と海馬の周囲にある信頼性の高いADHDバイオマーカーを特定しました。

結論:

• 提案されたAtt-GCNモデルは、マルチモーダル脳データを効果的に統合し、正確なADHD診断を実現します。
• 特定された脳領域とバイオマーカー（視床、海馬）は、ADHDの理解に不可欠です。
• このアプローチは、GNNを用いた神経精神疾患の診断精度を向上させるための有望な方向性を提供します。