解释静止状态功能连接数据的基于深度学习的表示:专注于解释自闭症谱系障碍中的非线性模式
Young-Geun Kim1,2,3, Orren Ravid2, Xinyuan Zheng3
1Department of Psychiatry, Columbia University Irving Medical Center, New York, NY, United States.
Frontiers in psychiatry
|June 4, 2024
概括
本研究介绍了使用变异自编码器 (VAE) 解释自闭症谱系障碍 (ASD) 休息状态功能连接 (rsFC) 模式的可解释的深度学习模型. 潜在贡献评分通过分析rs-fMRI数据,揭示了ASD背后的独特的神经机制.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 休息状态功能磁共振成像 (rs-fMRI) 对于研究精神疾病中大脑组织至关重要.
- 高维 rs-fMRI 数据分析具有挑战性.
- 变量自编码器 (VAE) 减少了维度,但缺乏可解释性.
研究的目的:
- 为rs-fMRI数据开发可解释的VAE模型.
- 解释静止状态功能连接 (rsFC) 的潜在表示.
- 在自闭症谱系障碍 (ASD) 中测试实用性.
主要方法:
- 从1150名参与者 (549名ASD,601名对照) 的rs-fMRI数据上训练VAE.
- 使用动力图谱 (264ROI) 提取了rsFC矩阵.
- 引入了潜在贡献得分,以将表示与rs-fMRI测量联系起来.
主要成果:
- 无论是ASD还是控制组都共享顶级网络连接.
- 在这两组中,隐性0是由腹部注意网络 (VAN) 驱动的.
- 在ASD和HC组之间,在VAN (隐性0) 和感觉/体运动网络 (隐性2) 中发现了潜在贡献得分的显著差异.
结论:
- 潜在贡献得分可以解释VAE识别的非线性模式.
- 可解释的VAE增强了对ASD神经机制的理解.
- 这种方法有助于更深入地了解精神疾病中大脑功能.


