疾病特异性静止状态EEG网络变化在精神分裂症中,由对比的机器学习揭示
Fali Li1, Guangying Wang2, Lin Jiang2
1The Clinical Hospital of Chengdu Brain Science Institute, MOE Key Lab for Neuroinformation, University of Electronic Science and Technology of China, Chengdu 611731, China; School of Life Science and Technology, Center for Information in BioMedicine, University of Electronic Science and Technology of China, Chengdu 611731, China; Department of Electrical and Computer Engineering, Faculty of Science and Technology, University of Macau, Macau, China; Research Unit of NeuroInformation, Chinese Academy of Medical Sciences, 2019RU035 Chengdu, China.
Brain research bulletin
|August 17, 2023
概括
使用对比变异自编码器 (cVAEs) 的新框架有效地识别了精神分裂症 (SCZ) 和相关的大脑网络变化. 这种方法可以准确地区分SCZ患者和亲属与健康个体.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 精神分裂症 (SCZ) 涉及复杂的遗传和环境因素,经常掩盖潜在的大脑网络变异.
- 研究SCZ和一级亲属 (R-SCZ) 的功能网络机制需要先进的分析方法.
研究的目的:
- 开发和验证一个新的框架来解开SCZ和R-SCZ特有的潜在静止状态网络模式.
- 使用精细的分析方法,与健康对照 (HC) 相比,识别SCZ和R-SCZ中明显的网络变化.
主要方法:
- 代了一个对比变量自编码器 (cVAE) 的框架,用于分析三组之间的对比:SCZ,R-SCZ和HC.
- 应用cVAE来解开隐藏的静止状态网络模式,并比较跨组重建的网络.
主要成果:
- 重建后的网络分析显示,SCZ和R-SCZ中存在显著的内前额低连接性和前额侧超连接性,这些在原始网络数据中并不明显.
- 基于重建的网络指标的分类实现了高精度 (96.80% ± 2.87%),精度 (95.05% ± 4.28%),回忆 (98.18% ± 3.83%) 和F1得分 (96.51% ± 2.83%).
结论:
- 拟议的cVAE框架对SCZ,R-SCZ和HC组之间的脑网络模式进行对比是有效的.
- 这些发现为了解SCZ的病理机制提供了关键的休息状态网络证据,并支持其在促进SCZ诊断方面的实用性.
