ADHD診断のための脳ダイナミック機能的接続性のエンコーディングとデコーディング

科学分野:

• 神経画像は,神経イメージングによるものです.
• 計算神経科学とは
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• ダイナミック・ファンクショナル・コネクティビティ (FC) の変化は,認知機能と相関しています.
• ダイナミックなFCのための伝統的なスライドウィンドウ技術は,分布的シフトや高次元性などの課題に直面しています.
• ダイナミックFCの正確なモデリングは,脳の機能を理解し,神経学的障害の診断に不可欠です.

研究 の 目的:

• BRAINMAP (Mamba-Aided PredictionでINterpretabilityに注意を向けるバイレベル表現) を導入し,ダイナミックな脳の機能的接続性をモデリングするための新しい方法である.
• スライドウィンドウ技術の限界に対処するために,特に分布的なシフトと高次元性.
• ダイナミックFCを用いた注意欠陥多動性障害 (ADHD) の検出の精度を向上させる.

主な方法:

• BRAINMAPは,スライドウィンドウで分布的なシフトを修正するために最適なトランスポートを使用します.
• グラフニューラルネットワーク (GNN) と注意力メカニズムとMambaブロックを組み合わせて,機能的なMR画像から時空特性を捉えます.
• ダイナミックなFCの希少性を誘導するために,Top-Kのスライディングウィンドウ機能選択アルゴリズムが導入されます.

主要な成果:

• BRAINMAPは,既存の最先端のダイナミックFCモデルと比較して,ADHD検出の優れたパフォーマンスを実証し,三つのデータセット (ADHD-200,UCLA,CNI-TLC) で3%から12%の精度向上を示しました.
• このモデルは,強力なバイオマーカー,特に背中の注意ネットワークと視覚ネットワークの間の接続を特定しました.
• アソシエーション研究により,特定されたバイオマーカーの臨床的関連性が確認されました.

結論:

• BRAINMAPは,脳画像分析のためのダイナミック機能的接続性のモデリングにおける重要な進歩を提供します.
• 提案された方法は,ダイナミックなFC分析における重要な課題を効果的に解決し,ADHDの診断精度を向上させました.
• 背部の注意-視覚ネットワーク接続などの特定されたバイオマーカーは,ADHDの診断と,その基礎にある神経メカニズムを理解するための臨床的関連性を持っています.