通过新型可解释的深度学习架构识别抑郁症的EEG生物标志物
Charles A Ellis1, Martina Lapera Sancho1, Robyn L Miller1
1Center for Translational Research in Neuroimaging and Data Science at Georgia State University, the Georgia Institute of Technology and Emory University, Atlanta GA 30303, USA.
bioRxiv : the preprint server for biology
|April 2, 2024
概括
现在可以解释电脑电图 (EEG) 数据的深度学习模型. 新的方法揭示了主要抑郁症 (MDD) 与右半球大脑活动的增加有关.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 计算精神病学是一种计算精神病学.
背景情况:
- 深度学习模型越来越多地使用电脑电图 (EEG) 数据.
- 可解释性方法对于这些模型的临床和研究应用至关重要.
- 需要结合跨模型的解释来解决训练随机性的问题.
研究的目的:
- 为多通道EEG开发新的可解释的深度学习架构.
- 将这些模型应用于主要抑郁障碍 (MDD) 的自动诊断.
- 调查结合多个模型培训折叠的解释方法.
主要方法:
- 为EEG分析开发了两种基于卷积神经网络 (CNN) 的新型架构.
- 应用模型可视化技术来理解提取的特征.
- 在50个折叠中训练模型,以结合解释并确保稳定性.
主要成果:
- 新型架构显示的分类性能略低于基线.
- 在患有MDD的个体中确定了不同的EEG模式,包括更高的β功率.
- 在MDD患者中观察到潜在的更高的三角力和大脑范围的相关性增加,特别是在右半球.
结论:
- 该研究在原始EEG数据的可解释深度学习方面取得了重大进展.
- 使用可解释的AI,提供了对MDD神经相关的关键见解.
- 在临床护理和研究中为可解释的EEG深度学习模型铺平了道路.
