通过可解释的多模型深度学习方法识别精神分裂症的重复性重要的EEG标记

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 由于症状多样化,诊断精神分裂症 (SZ) 是复杂的.
• 使用可解释的机器学习 (ML) 方法来寻找SZ的诊断生物标志物.
• 来自ML研究的生物标志物的概括性通常受到小规模模型解释的限制.

研究的目的:

• 为ML模型提出一种基于特征交互的新可解释性方法.
• 引入新的方法来总结多模型解释.
• 从脑电图 (EEG) 数据中提取用于SZ生物标志物识别的可概括见解.

主要方法:

• 开发了一种基于互动的新型特征可解释性方法.
• 实施了汇总多模型解释的新方法.
• 分析了使用EEG光谱功率数据的训练和测试集解释.

主要成果:

• 确定了SZ对α,β和θ频段的显著影响.
• 在SZ患者中发现左半球和半球间相互作用的变化.
• 在大多数分析折叠中,结果一致,表明可概括性.

结论:

• 开发的可解释性方法有助于识别神经精神疾病的可概括生物标志物.
• 这项研究提供了对基于EEG的精神分裂症生物标志物的见解.
• 这项工作鼓励开发强大的机器学习方法,用于神经科学中的生物标志物发现.