一个可解释的几何加权图注意力网络,用于识别与步行障碍相关的功能网络
Favour Nerrise1, Qingyu Zhao2, Kathleen L Poston3
1Department of Electrical Engineering, Stanford University, Stanford, CA, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|November 20, 2023
概括
这项研究介绍了xGW-GAT,这是一种新的神经网络模型,可以识别与帕金森病 (PD) 步行障碍相关的大脑功能网络. 该模型为更好的治疗开发提供了对运动进展的可解释的见解.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 帕金森病 (PD) 的特点是逐渐失去姿势反射,导致步态和平衡问题.
- 了解大脑功能障碍是推动PD治疗的关键.
- 目前的方法在预测步行障碍进展方面缺乏可解释性.
研究的目的:
- 开发一个可解释的,几何,加权图注意力神经网络 (xGW-GAT),用于识别PD走路障碍的功能网络.
- 通过使用MDS-统一的PD评级表 (MDS-UPDRS) 预测多类步行障碍.
- 提供与运动障碍相关的功能子网络的个人和组级可解释性.
主要方法:
- 使用了一种新的可解释,几何,加权图注意力神经网络 (xGW-GAT).
- 功能连接体以对称正定数 (SPD) 矩阵的形式表示在里曼的多重体上.
- 将模型应用于患有PD的个人休息状态功能性MRI (rs-fMRI) 数据集.
主要成果:
- xGW-GAT成功地确定了与PD中步行障碍相关的功能连接模式.
- 该模型与现有方法相比,实现了更高的性能.
- 临床相关的连接模式与可解释的解释被揭示出来.
结论:
- xGW-GAT提供了一种强大而可解释的方法来分析PD中的大脑功能.
- 该模型促进了对PD运动进展的理解,并有助于开发个性化治疗方法.
- 源代码是公开可用的,用于进一步的研究和应用.
