一个因果关系感知图 卷积网络框架用于帕金森症患者的刚性评估

科学领域:

• 神经成像和计算神经科学
• 生物医学工程和医疗信息学

背景情况:

• 帕金森病 (PD) 刚性是一种使人虚弱的运动症状,影响生活质量.
• 目前的硬度评估依赖于主观的,神经学家依赖的评级尺度.
• 定量敏感性映射 (QSM) 显示了PD诊断的希望,但自动化的刚性评估面临着噪音和分布转移带来的挑战.

研究的目的:

• 开发一个强大的和自动化的框架,用QSM来评估帕金森病的刚性.
• 解决自动化评估中的性能不稳定性,这种不稳定性是由噪音和分配转移等混因素引起的.
• 确保基于因果关系的稳定模型决策,以可靠的刚性评估.

主要方法:

• 提出了一个因果关系感知图形卷积网络 (GCN) 框架,集成因果特征选择和因果不变性.
• 开发了一个GCN模型,在节点,结构和表示层面上选择因果特征,学习因果图来提取真正的因果信息.
• 实施了带有不变约束的非因果扰动策略,以确保不同数据分布的评估稳定性并避免虚假的相关性.

主要成果:

• 与现有方法相比,提出的因果关系意识的GCN框架在自动化PD刚性评估中表现出优异的性能.
• 广泛的实验证实了该方法的优越性,其中选定的大脑区域与PD刚性有直接的临床相关性.
• 该框架的可扩展性在相关任务上得到证实,包括PD布拉迪基尼西亚和阿尔茨海默病精神状态评估.

结论:

• 开发的因果关系意识的GCN框架提供了一个临床潜在的工具,用于自动和稳定的评估帕金森病的刚性.
• 这种方法通过减轻混因素并专注于神经成像数据中的因果关系来提高诊断可靠性.
• 该框架的适应性表明在神经障碍评估中具有更广泛的应用.