深度学习区分连接组与焦点患者和对照组:可行性和临床影响

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 深度学习越来越多地用于分析复杂的神经成像数据,包括大脑连接组.
• 研究中的结构连接组分析是一个新兴领域,使用深度学习的研究有限.
• 焦点性带来了诊断挑战,特别是在分类的亚型.

研究的目的:

• 评估深度学习模型使用全大脑结构连接体来区分焦点患者与健康对照者的能力.
• 评估模型在根据发作的演变 (演变为双边性-克隆性 vs. 不) 来分类患者的表现.
• 识别有助于分类准确性的重要脑网络节点和边缘,并评估它们的临床相关性.

主要方法:

• 在28名焦点患者和20名对照患者的结构连接组数据上训练了一个深度学习的神经网络.
• 该模型被用来将参与者分为患者/对照组和发作亚型组.
• 在连接体内分析了节点和边缘的重要性,以解释模型的分类.

主要成果:

• 深度学习模型在将患者与对照患者分类时实现了72.92%的准确性.
• 对发作亚型的分类准确率为67.86%.
• 确定了重要的网络节点和边缘,显示出临床相关性,证明了模型的可解释性.

结论:

• 深度学习模型在研究中显示出作为分析结构连接体的工具的前景.
• 这些发现支持深度学习的潜力,从连接组数据中提取临床相关的生物标志物,用于的诊断和亚型分类.
• 需要进一步的研究来探索深度学习在识别结构连接体的诊断特征方面的实用性.