用功能网络连接和评估数据来预测心理健康质量的深度学习方法
Meenu Ajith1, Dawn M Aycock2, Erin B Tone3
1Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State University, Georgia Institute of Technology, and Emory University, 55 Park Pl NE, Atlanta, GA, 30303, USA. majith@gsu.edu.
Brain imaging and behavior
|February 10, 2024
概括
这项研究使用休息状态功能性MRI (rs-fMRI) 和深度学习来从大脑连接模式中预测心理健康质量. 该方法准确地对心理健康进行分类,为每个群体揭示了不同的神经模式.
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:
- 目前的心理健康评估依赖于问卷,缺乏直接的生物学见解.
- 休息状态功能性MRI (rs-fMRI) 提供了识别大脑连接生物标志物的潜力.
- 个性化预测模型可以弥合大脑健康的生物和行为方面.
研究的目的:
- 开发和验证使用 rs-fMRI 数据估计心理健康质量的深度学习模型.
- 识别与不同心理健康类别相关的特定静态功能网络连接 (sFNC) 模式.
- 探索先进的神经成像和人工智能的潜力,用于心理健康评估和个性化干预.
主要方法:
- 利用从rs-fMRI获得的静态功能网络连接 (sFNC) 作为深度学习模型的输入.
- 使用指导梯度类激活图 (指导Grad-CAM) 来可视化歧视性的sFNC模式.
- 在英国生物银行数据集上验证了该模型,并将其性能与四种替代模型进行了比较.
主要成果:
- 对于心理健康类别,深度学习模型的分类准确率为76% (优秀),78% (好),88% (公平) 和98% (差).
- 与其他模型相比,表现出优越的性能,精度改进范围为4-18%.
- 鉴定出不同的sFNC模式:小脑-皮质下用于良好的心理健康,感觉运动/视觉领域用于心理健康不佳.
结论:
- rs-fMRI和深度学习的整合为客观的心理健康评估提供了一个有希望的框架.
- 独特的神经连接模式与不同程度的心理健康质量相关.
- 这种方法有可能指导个性化心理健康干预,并监测治疗疗效.
更多相关视频
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
2.3K
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.1K