监督对比学习增强了图形卷积网络,用于预测非常早产婴儿的神经发育缺陷,使用大脑结构连接体
Hailong Li1, Junqi Wang2, Zhiyuan Li3
1Imaging Research Center, Department of Radiology, Cincinnati Children's Hospital Medical Center, Cincinnati, OH, USA; Neurodevelopmental Disorders Prevention Center, Perinatal Institute, Cincinnati Children's Hospital Medical Center, Cincinnati, OH, USA; Artificial Intelligence Imaging Research Center, Cincinnati Children's Hospital Medical Center, Cincinnati, OH, USA; Department of Radiology, University of Cincinnati College of Medicine, Cincinnati, OH, USA.
在非常早产的婴儿中早期预测神经发育缺陷至关重要. 一种具有监督对比学习 (SCL) 的新型图形卷积网络 (GCN) 模型使用大脑结构连接体准确预测这些缺陷,从而能够及时进行干预.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 儿科 儿科 儿科
背景情况:
- 非常早产 (VPT) 婴儿面临神经发育缺陷的高风险,通常是晚诊断的.
- 早期预测对于及时干预至关重要,但目前的方法有限.
- 大脑结构连接体 (SC) 分析显示出有希望的结果,但需要先进的建模.
研究的目的:
- 开发和评估深度学习模型,用于早期预测VPT婴儿的神经发育缺陷.
- 利用图形卷积网络 (GCNs) 来分析图形结构的SC数据.
- 为了提高GCN模型的性能,使用监督对比学习 (SCL) 来解决数据稀缺问题.
主要方法:
- 将GCN模型应用于VPT婴儿在术语相当年龄的脑SC数据.
- 使用SCL来提高模型的稳定性和处理有限的数据.
- 从CINEPS研究中对约280名VPT婴儿的队列进行了培训和验证模型.
- 在2岁时对神经发育结果 (认知,语言,运动技能) 的评估进行了纠正.
主要成果:
- 通过SCL增强的GCN模型实现了0.720.75的AUC,用于预测神经发育缺陷.
- 这一表现超过了几款竞争车型,证明了该方法的有效性.
- 结果验证了SCL提高基于GCN的预测准确性的假设.
结论:
- SCL显著增强了GCN模型,用于预测VPT婴儿的神经发育缺陷.
- 这种方法为早期识别和干预提供了一个有希望的工具.
- 准确的,神经发育结果的早期预测是可以使用先进的AI在大脑SC数据上实现的.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
08:51Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
Published on: November 1, 2019
