使用端到端的大脑动态注意力网络多站点主要抑郁症的跨域识别

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 大型抑郁症 (MDD) 诊断受到临床异质性和多站点数据变异性的挑战.
• 需要客观的,定量化的成像标记来准确的个人级别MDD诊断.
• 目前的方法与多站点神经成像数据集的复杂性和规模作斗争.

研究的目的:

• 引入大脑动态注意网络 (BDANet),这是一个用于准确识别MDD的AI模型.
• 解决在诊断MDD时静态成像标记和多站点数据的局限性.
• 探索大脑连接模式及其与MDD严重程度和性别差异的关系.

主要方法:

• 开发并将端到端的BDANet模型应用于Rest-meta-MDD联盟的2055名参与者的双模脑扫描.
• 使用动态脑图生成器进行拓关系表示,并使用集团分类器进行域间对齐.
• 动态生成的样本特定的大脑图表,用于下游识别任务.

主要成果:

• 对于MDD,BDANet的诊断准确率达到了81.6%.
• 关键的大脑区域的分类包括胰岛,带带皮质和听觉皮质.
• 在p24区域连接和MDD严重程度之间发现了负相关性;在连接方面观察到性别差异.

结论:

• BDANet有效地解决了MDD诊断中的临床异质性和多站点数据挑战.
• 该模型展示了针对MDD的个性化识别,治疗和干预策略的潜力.
• 研究结果强调了动态脑图分析对于理解MDD病理生理学的有用性.