使用深度动态系统量化大脑功能动态:技术考虑
Jiarui Chen1,2, Anastasia Benedyk2,3, Alexander Moldavski2,3
1Hector Institute for Artificial Intelligence in Psychiatry, Central Institute of Mental Health, Medical Faculty Mannheim, Heidelberg University, M7, 68161 Mannheim, Germany.
iScience
|August 21, 2024
概括
人工智能模型可以分析精神疾病生物标志物的大脑动态. 然而,深度学习模型在个人层面分析的可重现性方面面临挑战,这影响了临床使用.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 计算精神病学是一种计算精神病学.
背景情况:
- 心理健康和疾病的动态是复杂和不可预测的.
- 人工智能 (AI) 和动态系统重建为表征大脑动态提供了新的方法.
- 了解这些动态对于识别精神疾病的潜在生物标志物至关重要.
研究的目的:
- 分析应用深度学习来建模个体级动态系统的计算挑战.
- 通过功能磁共振成像 (fMRI) 数据证明这些挑战对精神疾病分类的影响.
- 为精神疾病生物标志物指导可复制,个体级生成模型的开发提供指导.
主要方法:
- 从fMRI数据中利用大脑动态的生成建模作为一个案例研究.
- 对与深度学习参数优化相关的挑战进行了广泛的分析.
- 研究了模型变异性对精神分裂症和严重抑郁症分类的影响.
主要成果:
- 深度学习模型在参数优化过程中倾向于找到独特的解决方案.
- 这种变化严重阻碍了下游预测的可重现性.
- 这些挑战影响了人工智能驱动生物标志物的临床实用性.
结论:
- 复制性是神经科学中个体级生成模型的一个关键障碍.
- 深度学习对独特解决方案的倾向挑战了对精神疾病可靠生物标志物的开发.
- 未来的研究应该专注于开发用于临床神经科学中可复制AI的方法.
