图形自编码器用于嵌入大脑网络中的学习和重大抑郁症疾病识别

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 来自fMRI的脑功能连接 (FC) 网络显示神经精神疾病的变化.
• 传统的深度学习方法往往忽略了大脑网络的拓信息,这可能会限制诊断性能.
• 大型抑郁症 (MDD) 诊断可以从先进的神经成像分析技术中受益.

研究的目的:

• 提出一种新的图形深度学习框架,用于在MDD中对大脑网络进行分类.
• 为了利用非欧几里德信息和图形结构来改善大脑疾病的识别.
• 开发一种方法,将fMRI网络的拓和内容特征嵌入到低维表示中.

主要方法:

• 使用基于图形卷积网络 (GCN) 的图形自编码器 (GAE) 架构.
• 使用Ledoit-Wolf (LDW) 收缩方法,从fMRI数据中高效估计高维FC指标.
• 集成图嵌入作为深度完全连接神经网络 (FCNN) 的输入特征,用于MDD与健康对照 (HC) 的分类.

主要成果:

• 拟议的GAE-FCNN框架在脑连接组分类方面,与最先进的方法相比,实现了更高的性能.
• 当使用LDW-FC边缘作为GAE内的节点特征时,获得了最高的准确性.
• 学习的图形嵌入揭示了MDD患者和HC患者之间大脑网络拓学的显著差异.

结论:

• 图形深度学习框架有效地捕获来自大脑网络拓学的歧视性信息,用于诊断MDD.
• 这种方法表明了在神经成像中嵌入图的潜力,用于识别大脑疾病.
• 这些发现强调了在基于连接组的机器学习分析中考虑网络拓学的重要性.