考虑功能相似度的脑网络图核,考虑功能相似度
Xinlei Wang1, Junchang Xin2, Zhongyang Wang3
1School of Computer Science and Engineering, Northeastern University, 110169, China.
Computers in biology and medicine
|February 17, 2024
概括
这项研究引入了新的图核方法,将结构和功能大脑网络信息整合起来,以改善神经退行性疾病的诊断. 这些先进的技术通过考虑大脑网络中的多属性和更高阶相关性来提高诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 图核对于脑网络分析和通过测量脑网络相似性来诊断神经退行性疾病至关重要.
- 现有的方法主要使用结构相似性,忽略了关键的功能信息,如大脑区域属性和连接性.
- 这种监督限制了脑网络中受疾病影响区域的精确定位.
研究的目的:
- 提出一个多属性图核,将功能信息纳入大脑网络分析.
- 开发一个多属性超图核,捕捉大脑区域之间的高阶相关性.
- 通过利用结构和功能上的相似性来提高神经退行性疾病诊断的准确性.
主要方法:
- 开发了一个多属性图核,将多个属性分配给大脑网络节点,利用韦斯费勒-莱曼色彩精细化算法.
- 提出了一个多属性超图核,以考虑功能和结构的相似性和更高阶的相关性.
- 在现实数据集上验证了用于神经退行性疾病诊断的方法.
主要成果:
- 提出的多属性图和超图核显著提高了神经退行性疾病诊断的性能.
- 实验结果表明,与现有方法相比,诊断准确度更高.
- 统计测试证实了新方法的显著差异和有效性.
结论:
- 整合多属性功能和结构信息可以增强用于疾病诊断的大脑网络分析.
- 拟议的图形和超图形内核为理解神经退行性疾病中大脑网络改变提供了更全面的方法.
- 这些方法代表了计算神经科学在临床应用中的重大进步.
