高维任务fMRI数据的非线性潜伏表示:在异质空间地图中揭示认知和行为洞察力
Mariam Zabihi1,2,3, Seyed Mostafa Kia1,2,4, Thomas Wolfers1,2,5,6
1Donders Institute for Brain, Cognition and Behavior, Radboud University Nijmegen, Nijmegen, the Netherlands.
PloS one
|August 8, 2024
概括
研究人员开发了一种用于神经成像数据的新型3D自编码器,创建可解释的潜在表示. 这种数据驱动的方法有效地将大脑活动映射到行为和人口统计数据上,优于传统方法.
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:
- 神经成像数据的可解释和紧的表示对于理解大脑行为关系和精神障碍至关重要.
- 传统的方法,如手工制作的特征或线性转换,可能无法捕捉复杂的神经成像数据中的个体变异性.
研究的目的:
- 实施基于数据的方法,使用3D自动编码器来创建高维任务fMRI数据的可解释的潜在表示.
- 开发一个能够考虑人口特征的模型,并且可以在潜在空间和voxel空间中进行解释.
- 将规范建模应用于隐性变量,以定义汇总统计和映射到非成像措施.
主要方法:
- 在大规模数据集上使用3D自动编码器 (人类结合体项目和英国生物银行任务fMRI数据).
- 采用联合优化来同时重建数据和预测临床/人口学变量.
- 应用了对隐性变量进行规范建模,以获得用于多变量映射的"隐性索引".
主要成果:
- 该模型在预测年龄和性别方面表现出很高的表现.
- 成功捕获了复杂的行为特征,同时通过潜伏表示来保持个体的变化.
- 在重建准确性和与行为变量相关性方面表现优于基线模型 (PCA,ICA,ROI).
结论:
- 开发的3D自动编码器为任务fMRI数据提供了一个可解释和紧的隐藏表示.
- 这种数据驱动的方法有效地将神经成像数据与人口和行为变量联系起来,为大脑行为映射提供了洞察力.
- 该方法通过捕捉个体变异性来解释精神障碍的生物学基础.
