通过可解释的基于CNN的分析,以临床评估得分为指导,找到非个性化/非个性化障碍的神经相关物

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 人工智能的人工智能

背景情况:

• 心理健康诊断通常依赖于主观的自我报告和临床访谈,由于疾病的相互联系性质,这对准确性构成了挑战.
• 脱人格化/脱人格化障碍 (DPD),影响1-2%的人口,其特点是持续的疏远感和情绪麻木,显著影响生活质量.
• 现有的脑电图 (EEG) 研究对于 DPD 往往需要先前的专家知识,并依赖于主观的尺度,如剑桥非个性化尺度 (CDS),其可靠性可能受到质疑.

研究的目的:

• 提出一种新的,端到端的EEG处理管道,利用深度神经网络来发现非个性化/非个性化障碍 (DPD) 生物标志物.
• 开发一种不需要预先标记数据的方法,而是整合临床结果知识 (例如CDS得分) 和数据驱动模式.
• 解决主观分数的不确定性,通过在多任务学习框架内将其用作预先信息来指导无监督学习.

主要方法:

• 开发一种深度神经网络架构,用于处理脑电图 (EEG) 数据.
• 实施多任务学习策略,将主观临床分数 (CDS) 纳入无监督学习的预先信息.
• 利用新的网络可视化技术来分析学习过程中提取的光谱,空间和时间信息.

主要成果:

• 在非个性化/非个性化障碍 (DPD) 中进行EEG分析的新型深度学习管道的演示.
• 通过数据驱动的方法成功识别DPD的潜在生物标志物,减少对主观评估的依赖.
• 通过全面的评估和先进的网络可视化来验证深层结构的意义.

结论:

• 拟议的EEG分析管道为非个性化/非个性化障碍 (DPD) 生物标志物发现提供了一个有希望的,数据驱动的方法.
• 这种方法有可能克服主观诊断工具的局限性,并可能适用于其他心理健康障碍.
• 开源代码可用,促进可重现性和客观精神病诊断的进一步研究.