使用新的时间序列特征提取方法通过多站点rs-fMRI数据进行重复性主要抑郁症的分类
Peishan Dai1, Da Lu1, Yun Shi1
1School of Computer Science and Engineering, Central South University, Changsha, Hunan, China.
Journal of affective disorders
|July 19, 2023
概括
识别患有复发性主要抑郁障碍 (MDD) 的患者对于预防至关重要. 使用静止状态fMRI数据的新型图形卷积网络 (GCN) 方法在分类复发性MDD方面实现了75.8%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 大型抑郁症 (MDD) 经常复发,需要及早识别有效的预防策略.
- 复发性MDD显著影响个人,突出了改善诊断和预后工具的需要.
研究的目的:
- 开发和验证一种新的机器学习方法来分类复发性主要抑郁症 (MDD).
- 使用休息状态fMRI识别与复发性MDD相关的大脑区域和动态功能连接模式.
主要方法:
- 从静止状态fMRI数据中提取动态时间特征,使用基于图谱的方法.
- 利用图形卷积网络 (GCN),以时间序列功能连接作为邻近矩阵和脑区域活动作为节点特征.
- 使用梯度加权类激活映射 (Grad-CAM) 来识别有助于分类的关键大脑区域.
主要成果:
- 在多个站点的Rest-meta-MDD数据集上,对于复发性MDD实现了75.8%的分类准确性.
- 确定了与复发性MDD病理生理学有关的大脑特定区域.
- 证明了模型能够捕捉大脑活动模式的动态变化的能力.
结论:
- 拟议的基于GCN的方法通过集成动态功能连接信息,有效地对反复出现的MDD进行分类.
- 该研究成功地确定了对分辨复发性MDD至关重要的脑区域,并提供了对其神经支的见解.
- 对数据预处理和协调的进一步研究可能会提高分类性能.
