解释休息状态功能连接数据的基于深度学习的表示:专注于解读自闭症谱系障碍中的非线性模式

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 精神疾病 精神疾病

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 提供了关于精神疾病中大脑组织的见解.
• rs-fMRI数据的高维度需要减少机器学习的维度.
• 变化自编码器 (VAE) 从rs-fMRI中提取低维的潜在表示,但解释仍然具有挑战性.

研究的目的:

• 开发可解释的VAE模型来解释rs-fMRI数据.
• 测试这些模型在自闭症谱系障碍 (ASD) 中的实用性.
• 为了应对在rs-fMRI分析中解释潜伏表示的挑战.

主要方法:

• 包括1150名参与者 (601名健康人群,549名自闭症患者).
• 使用Power atlas (264ROI) 从rs-fMRI数据中提取功能连接矩阵.
• 以无监督的方式培训VAE,并引入隐藏贡献分数用于解释.

主要成果:

• 无论是ASD还是控制组,都共享了顶级网络连接,有助于潜伏组件.
• 隐藏的0是由休息状态功能连接 (rsFC) 在两个组的腹部注意力网络驱动的.
• 在ASD和对照者之间,在腹部注意力网络 (隐性0) 和感官/体力运动网络 (隐性2) 中,发现了潜在贡献得分的显著差异.

结论:

• 引入了潜在贡献得分,以解释VAE识别的非线性模式.
• 评分捕捉了相对于潜伏表示的rsFC特征的变化.
• 能够实现可解释的深度学习,以了解ASD神经机制.