贝叶斯网络的多源多模式标记:适用于极其早产的大脑
Hassna Irzan1, Michael Hütel2, Helen O'Reilly3
1School of Biomedical Engineering & Imaging Sciences, King's College London, London, SE17EU, UK; Department of Medical Physics and Biomedical Engineering, University College London, London, WC1E6BT, UK.
Medical image analysis
|December 6, 2023
概括
一种新的贝叶斯网络 (BN) 方法,修改PC-HC (MPC-HC),准确地模拟了极度早产 (EP) 个体的大脑和认知结果. MPC-HC改善了预测和结构学习,识别了MRI对EP认知得分的影响.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 生物统计学 生物统计学
背景情况:
- 过早生育的表型涉及复杂的大脑和认知相互作用.
- 这些相互作用的准确表征可以识别早产标志物.
- 贝叶斯网络 (BNs) 对于分析复杂的关系和减轻混因素是有效的.
研究的目的:
- 介绍和验证一个新的贝叶斯网络 (BN) 结构学习算法,修改PC-HC (MPC-HC).
- 在极度早产 (EP) 的年轻人中研究大脑结构 (MRI) 和认知表现之间的预测关系和相互影响.
- 展示BN在模拟复杂的表型中的实用性,如早产.
主要方法:
- 开发了修改后的PC-HC (MPC-HC),一种使用统计测试和搜索和得分技术的BN结构学习算法.
- 应用MPC-HC来估计使用MRI和认知数据的极度早产 (EP) 年轻人和全期对照中的BN.
- 通过引导来验证MPC-HC以获得结构信心和基准BN恢复,并将其性能与PC,MMHC和HC算法进行比较.
主要成果:
- 与PC (62.5%),MMHC (64.5%) 和HC (71.5%) 相比,MPC-HC实现了更高的平均预测准确度 (72.5%).
- 在重建基准BN结构方面,MPC-HC的表现优于PC,MMHC和HC.
- 灵敏度分析表明,MRI测量显著影响EP个体的认知得分.
结论:
- 新的MPC-HC算法在BN结构学习和预测方面提供了更好的性能.
- BNs是建模复杂的表型,预测结果和理解变量相互依赖的宝贵工具.
- 发现突出了大脑结构对极度早产个体认知结果的影响,与现有文献一致.
