多式变压器图形卷积注意力同态网络 (MTCGAIN):一种用于检测失眠障碍的新型深度网络
Yulong Wang1, Yande Ren2, Yuzhen Bi2
1College of Electronic and Information Engineering, Shandong University of Science and Technology, Qingdao, China.
Quantitative imaging in medicine and surgery
|May 9, 2024
概括
一个新的AI模型MTGCAIN通过分析大脑连接来提供更准确的失眠障碍诊断. 这种方法可以识别特定的大脑区域和功能连接模式,这些连接模式与失眠以及焦虑和抑郁等共同发生的疾病有关.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 在诊断失眠障碍 (ID) 中的主观性导致频繁的误诊.
- 失眠障碍与其他健康状况共享症状,使临床评估复杂化.
研究的目的:
- 开发一种新的深度网络,即多式变压器图形卷积注意力异态网络 (MTGCAIN),用于准确客观地诊断失眠障碍.
- 用先进的神经成像分析来识别失眠障碍的潜在生物标志物.
主要方法:
- 利用图形卷积注意力 (GCA) 来从大脑连接数据中提取空间特征.
- 采用多式变压器 (MT) 来整合来自多个大脑网络图谱的信息.
- 开发了MTGCAIN,用于增强生物标志物识别和失眠障碍的诊断准确性.
主要成果:
- 通过五重交叉验证,MTGCAIN在诊断失眠障碍时达到81.29%的准确率和0.8760的AUC.
- 在患有失眠障碍的患者中确定了9个特定的大脑区域的异常.
- 在默认模式网络 (DMN) 中检测到显著的功能连接性改变.
结论:
- MTGCAIN能够更准确和客观地诊断失眠障碍.
- 默认模式网络 (DMN) 损伤在患有失眠障碍的患者中很普遍.
- 特定区域之间的功能连接与失眠患者的并发性焦虑和抑郁相关.


