使用变压器分类器对MDD进行分类,其中包含大规模多站点静止状态fMRI数据

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 重度抑郁症 (MDD) 是一种普遍存在的全球精神疾病,具有显著的复发风险.
• 了解MDD的神经基础,特别是复发形式,对于有效的诊断和治疗至关重要.
• 休息状态功能磁共振成像 (rs-fMRI) 提供了一种非侵入性方法来研究MDD患者的大脑功能.

研究的目的:

• 开发和验证一个转换器编码器模型来分类主要抑郁症 (MDD) 和健康对照 (HC) 使用rs-fMRI数据.
• 确定与MDD相关的大脑区域和功能连接模式,特别是复发性MDD.
• 评估模型在大型多站点数据集上的表现,并评估其在不同大脑图谱中的概括性.

主要方法:

• 利用了从大型多站点 rs-fMRI 数据集中提取的功能连接数据.
• 开发了一个简化的变压器-编码器模型,省略了解码器,以减少有限样本大小的复杂性和参数.
• 实施了可选的无监督预训练模块,以优化初始参数和加速训练.
• 采用Grad-CAM可视化和识别大脑区域,有助于分类准确性.

主要成果:

• 变压器-编码器模型在1611个样本的数据集上 (MDD与HC) 实现了68.61%的平均分类精度.
• 对于一个特定的经常性MDD数据集,该模型的平均准确率为78.11%.
• 在MDD患者的前回旋和大脑皮层中发现了异常;这些区域在复发性MDD组中显示出更高的贡献.

结论:

• 拟议的变压器编码器模型有效地使用rs-fMRI功能连接来对MDD患者进行分类.
• 该模型显示了识别复发性MDD和确定受影响的大脑区域的潜力,特别是在额叶皮层.
• 这种方法提供了一个端到端的分类解决方案,可以适应多个站点的数据和各种大脑地图.