SpaDE:用于神经成像数据的语义局部保护双集群

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 神经成像研究经常错过较小小组中的微妙模式,限制了特异性和可解释性,特别是在神经精神疾病中.
• 在诸如精神分裂症之类的疾病中,受试者的异质性使传统的聚类方法复杂化.
• 分析高维度,稀疏的神经成像数据在特征分组和后期分析方面提出了挑战.

研究的目的:

• 开发一个深度神经网络,SpaDE,用于无监督的特征学习和神经成像数据的双聚类.
• 通过在主体和特征子组中保持语义局部性来增强神经生物学解释性.
• 为了改善分析,规范化表示学习中的稀疏性.

主要方法:

• 提出了一个深度神经网络架构,命名为语义本地保护自动解码器 (SpaDE).
• 使用SpaDE进行无监督对人类大脑的双重聚类,连接来自精神分裂症 (SZ) 和健康对照 (HC) 试验对象的数据.
• 与最先进的双聚类方法比较SpaDE的性能.

主要成果:

• SpaDE成功地确定了对象和神经特征的连贯子组,优于现有的双重集群技术.
• 该方法揭示了模块化神经社区,在视觉,感觉运动和皮层下大脑网络中HC和SZ组之间存在显著差异.
• 双集群连接子结构与认知功能有很强的相关性,包括注意力,工作记忆和视觉学习.

结论:

• 在神经成像中,SpaDE为无监督学习和双重集群提供了强大的方法,提高了解释性并揭示了生物相关的模式.
• 这些发现突出了SpaDE在理解精神分裂症和相关认知缺陷的神经支柱方面的潜力.
• 这种方法推进了复杂的大脑连接组数据的分析,用于研究和临床应用.