在精神分裂症中通过深度神经网络阐明突出的特定位点功能连接特征和位点不变生物标志物

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 精神分裂症呈现出显著的异质性,功能连接 (FC) 特性在研究地点之间有所不同.
• 现有的方法难以区分通用生物标志物和FC数据的特定地点变异.

研究的目的:

• 开发一种方法,可以识别精神分裂症中不变部位的FC生物标志物和特定部位的FC特征.
• 为应对休息状态功能磁共振成像 (fMRI) 研究中多地点数据和标签不一致所带来的挑战.

主要方法:

• 拟议的半监督学习与数据通过编码-解码-分类器 (SHRED) 技术进行哈尔化.
• 利用一个编码器-解码器-分类器架构,同时进行数据协调和半监督学习 (SSL).
• 将该方法应用于四个不同研究地点的静止状态fMRI数据.

主要成果:

• SHRED成功地产生了位点不变的生物标志物,突出了横向状回环和偏中心叶区之间的联系.
• 确定了特定地点的突出FC特征,特别是在本地数据集中涉及准中心叶片.
• 证明SSL提高了模型性能,特别是在小数据集中,而SHRED保持了模型通用性.

结论:

• 在精神分裂症中,SHRED技术有效地将特定位点的特征与位点不变的生物标志物区分开来.
• 这种方法通过澄清功能性大脑连接的变异来增强对精神分裂症神经生物学的理解.
• 这些发现为在多站点神经成像研究中更强大和更普遍的生物标志物发现铺平了道路.