BPI-GNN:基于可解释的大脑网络的精神病诊断和亚型化.

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 机器学习 机器学习

背景情况:

• 精神疾病如主要抑郁症 (MDD) 和自闭症谱系障碍 (ASD) 是异质的,复杂的诊断和治疗.
• 临床异质性阻碍了精密精神病学和有效治疗策略的进步.

研究的目的:

• 开发一个可解释的图形神经网络 (GNN) 框架,BPI-GNN,用于分析功能磁共振成像 (fMRI) 数据.
• 加强对精神病患者与健康对照者的歧视,并确定精神疾病的生物学意义上的亚型.

主要方法:

• 提出BPI-GNN,一个可解释的GNN框架,利用原型学习进行fMRI分析.
• 引入了一种新的原型子图生成过程,并使用总相关性 (TC) 来实现模式独立性.
• 在三个精神病学数据集上对11种分类方法进行了BPI-GNN评估.

主要成果:

• 在所有测试的数据集中,BPI-GNN实现了最高的诊断准确性,超过了11种流行的脑网络分类方法.
• 确定了具有显著临床意义的精神疾病的基于大脑的亚型,与症状和基因表达特征相关.
• 发现了与当前神经科学理解相一致的亚型生物标志物.

结论:

• BPI-GNN有效地对精神病患者进行歧视,并识别出临床相关的亚型,为精密精神病学提供了一个有前途的工具.
• 该框架的可解释性和高准确性促进了复杂精神病状况的理解和分类.
• 已识别的亚型和生物标志物为开发有针对性的诊断和治疗策略提供了基础.