图表神经网络和机器学习功能神经成像分析,以了解精神分裂症
Gayathri Sunil1, Smruthi Gowtham1, Anurita Bose1
1PES Center for Pattern Recognition, Department of Computer Science and Engineering, PES University, 100 Feet Ring Road, III Stage BSK, Dwaraka Nagar, Bengaluru, Karnataka, 560085, India.
BMC neuroscience
|January 3, 2024
概括
这项研究使用静止状态fMRI数据的图形神经网络和机器学习来检测精神分裂症. 这些方法在识别精神分裂症检测大脑连接的拓模式方面显示出有希望的准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 图形表示式学习利用网络结构和节点特征来检测拓模式.
- 休息状态功能磁共振成像 (rs-fMRI) 数据用于精神分裂症检测.
- 使用单站点数据收集来提高神经成像发现的概括性.
研究的目的:
- 将图形神经网络架构和机器学习应用于rs-fMRI数据以检测精神分裂症.
- 通过大脑功能连接来研究先进的图形理论方法和机器学习在识别精神分裂症方面的作用.
- 使用fMRI数据提出潜在的生物标志物来检测精神分裂症.
主要方法:
- 利用图形神经网络架构和机器学习算法.
- 训练模型使用69个图形理论指标,这些指标来自脑图中感兴趣区域 (ROI) 之间的功能相关性.
- 采用深图卷积神经网络 (DGCNN) 模型.
主要成果:
- 图形神经网络模型的性能与传统机器学习模型相提并论.
- 据报道,DGCNN的平均准确度为0.82分,敏感度为0.84分.
- 确定了精神分裂症的潜在生物标志物,其中许多由现有研究支持.
结论:
- 通过分析大脑功能连接的变化,使用fMRI数据检测精神分裂症,先进的图形理论方法和机器学习是有效的.
- 传统的ML和基于图形神经网络的方法都显示出从fMRI特征中检测精神分裂症的能力.
- 该研究通过确定潜在的生物标志物和验证现有研究结果,有助于理解精神分裂症.
