在功能磁共振成像中考虑时间变化可以改善对智力的预测

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 智能预测的神经成像方法正在迅速发展.
• 功能连接 (FC) 显示出希望,但静态FC分析是有限的.
• 有限的研究将静态FC与动态FC或区域级fMRI时间序列进行智能预测.

研究的目的:

• 提出和评估使用fMRI数据进行智能预测的双向长期短期记忆 (bi-LSTM) 方法.
• 为了比较使用静态FC,动态FC和区域级fMRI时间序列的预测性能.
• 研究结合休息和任务fMRI数据的实用性,以提高预测.

主要方法:

• 使用双向长短期内存 (bi-LSTM) 网络与特征选择.
• 将模型应用于来自fMRI数据的区域级时间序列和动态FC.
• 分析了青少年大脑认知发展 (ABCD) 研究的数据 (N≈7000).

主要成果:

• 相比于区域级时间序列和动态FC,静态FC的表现始终不佳.
• 结合休息和任务fMRI数据,在所有模型中改善了智能预测.
• 双LSTM模型确定了驱动智能预测的可靠大脑区域.

结论:

• 考虑到fMRI数据的时间变化,特别是使用动态FC和区域级时间序列,大大提高了情报预测.
• 动态FC和区域级时间序列在情报预测方面优于静态FC.
• 对任务和休息fMRI数据的联合分析提供了更强大的情报预测.