联邦大脑:为基于连接组的脑成像分析提供图形神经网络的联合培训

科学领域:

• 神经成像和机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 神经成像揭示了对临床任务至关重要的大脑网络相互作用.
• 图形神经网络 (GNN) 分析网络数据,但研究受到数据采集和机构约束的限制.
• 联合学习 (FL) 允许在没有数据共享的情况下进行协作学习,解决资源和隐私问题.

研究的目的:

• 提出FedBrain,一个个性化的FL框架,使用GNN进行跨机构大脑网络分析.
• 在脑网络研究中解决独特的数据异质性挑战,包括不一致的ROI图谱和不同的预测模式.

主要方法:

• 开发了一个联合的地图谱绘制机制,以协调不同ROI地图系统的特征和结构异质性.
• 实施了以临床先验知识为指导的集群方法,以管理跨患者群体,模式和结果的不同预测神经电路模式.

主要成果:

• 与现有的FL策略相比,FedBrain表现出更优越,更一致的业绩.
• 该框架显示了跨机构基于连接体的大脑成像分析的强大潜力和通用性.

结论:

• 在联合脑网络分析中,FedBrain有效地克服了数据异质性.
• 拟议的框架为大规模的协作连接组研究提供了一个强大的解决方案,推进神经模式发现和疾病诊断.