脳機能ネットワーク接続性の条件付きグラフ再構成は、性別と流動性知能の解釈可能な潜在軸を明らかにする

科学分野:

• 神経科学
• 人工知能
• ネットワーク科学

背景:

• 脳機能接続性を理解することは、脳ネットワーク特性を臨床評価に結び付けるために重要です。
• 既存のモデルは、脳接続性における変数固有のパターンを捉えるのに苦労することがよくあります。

研究 の 目的:

• ヒト脳機能接続性をモデル化するための生成フレームワークを提示すること。
• 人口統計学的および認知的変数に関連するネットワークメトリクスと差異を保持しながら、静的機能ネットワーク接続性（sFNC）特徴をエンコードおよび再構成すること。

主な方法:

• 条件付きグラフ変分オートエンコーダー（c-GVAE）を使用して、sFNC特徴を潜在表現にエンコードしました。
• 変数（例：生物学的性別、流動性知能）に基づいて条件付けられたsFNCデータの再構成に潜在表現を利用しました。
• 潜在空間における条件変数に関連する識別的接続特徴を特定しました。

主要な成果:

• 20,000人以上のUKバイオバンク被験者において、条件固有のネットワークパターンを保持する高忠実度のsFNCデータの再構成を実証しました。
• 潜在空間が人口統計学的および認知的変数に関連する解釈可能なパターンを捉えることを示しました。
• プロービングと接続性パターンへのフォワードマッピングを通じて、潜在空間におけるグループ差を強調しました。

結論:

• 提案されたフレームワークは、脳機能接続性と個人差を研究するためのスケーラブルでネットワークを意識したアプローチを提供します。
• この方法は、臨床的に観察された評価変数にそれらをリンクすることによって、精神的健康状態の機能的署名を特徴付ける可能性があります。