多功能融合网络用于精神分裂症分类和异常大脑网络识别.
Chang Wang1, Chen Wang1, Yaning Ren1
1The Second Affiliated Hospital of Xinxiang Medical University, Xinxiang, China; Henan Key Laboratory of Biological Psychiatry, Xinxiang, China; School of Medical Engineering, Xinxiang Medical University, Xinxiang, China; Engineering Technology Research Center of Neurosense and Control of Henan Province, Xinxiang, China; Xinxiang Engineering Technology Research Center of Intelligent Medical Imaging Diagnosis, Xinxiang, China.
Brain research bulletin
|December 17, 2023
概括
本研究引入了用于精神分裂症分类的多功能融合网络 (MFFN),结合了功能网络连接 (FNC) 和时间课程 (TC). 多元金融网络有效地识别出精神分裂症患者的高度准确性,突出异常的大脑网络连接.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 医疗保健中的机器学习
背景情况:
- 精神分裂症的分类和异常大脑网络的识别是关键的研究领域.
- 现有的机器学习和深度学习方法对精神分裂症的分类有局限性.
- 很少有研究利用多特征融合来提高精神分裂症的表现.
研究的目的:
- 提出一个多功能融合网络 (MFFN) 以区分精神分裂症患者和健康对照.
- 整合功能网络连接 (FNC) 和时间课程 (TC) 以改善精神分裂症检测.
- 识别与精神分裂症相关的歧视性大脑网络.
主要方法:
- 开发了一个多功能融合网络 (MFFN),集成深度神经网络 (DNN) 和C-RNNAM骨干.
- 利用Deep SHAP识别最具歧视性的脑网络.
- 在两个公共数据集上使用定量评估指标验证模型.
主要成果:
- 多元金融网络实现了高分类准确度 (ACC=87.30%,AUC=0.9081),超过了最先进的方法.
- 来自独立组件分析的功能网络连接 (FNC) 显示出相对于静态和动态功能连接的优势.
- 废弃实验证实了多功能融合和注意力机制的好处.
- 在精神分裂症患者的默认模式和视觉网络中确定了异常连接.
结论:
- 拟议的MFFN有效地识别精神分裂症,并可视化异常的大脑网络.
- 该方法在诊断精神分裂症方面具有显著的临床应用价值.
- 多特征融合提高了精神分裂症分类模型的准确性和可解释性.
