通过多模态MRI和深度图形神经网络探索精神分裂症分类:揭示大脑区域特定的体重差异及其与细胞类型特定的转录组特征的关联
Jingjing Gao1, Maomin Qian1, Zhengning Wang1
1School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Schizophrenia bulletin
|May 16, 2024
概括
使用图形注意力网络进行深度学习,使用多式共振磁共振扫描改善了精神分裂症的诊断. 这种先进的方法提供了客观的生物标志物,提高了诊断准确度,超出了传统方法.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 由于临床主观性,精神分裂症 (SZ) 诊断面临挑战.
- 磁共振成像 (MRI) 提供了客观诊断参考和生物标志物的潜力.
- 深度学习方法可以从MRI数据中增强特征提取和分类.
研究的目的:
- 探索深度学习与图形卷积的有效性,用于使用MRI诊断精神分裂症.
- 调查整合多模式MRI数据的好处,以提高分类准确度.
- 为了确定精神分裂症的潜在客观生物标志物.
主要方法:
- 利用了来自683名SZ患者和606名对照者的结构和功能MRI数据.
- 以图形形式表示MRI数据,并使用图形注意力网络进行处理.
- 采用多式联络数据融合,Grad-CAM用于解释性,以及部分最小方程用于基因表达分析.
主要成果:
- 在精神分裂症分类中取得了83.32%的准确性,83.41%的敏感性和83.20%的特异性.
- 多模式方法的表现优于单模式方法.
- 确定了潜在的大脑生物标志物,与基因分析和现有研究一致.
结论:
- 使用图表注意力网络进行深度学习显著提高了精神分裂症的诊断.
- 多模态MRI数据集成被证明比单模态方法更有效.
- 该研究强调了在精神分裂症研究中客观诊断和生物标志物发现的潜力.
