在新生儿功能连接体中分离群体和个体级大脑特征:一种深度学习方法

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 发展生物学 发展生物学

背景情况:

• 个体认知差异与大脑连接性有关.
• 功能连接 (FC) 指纹准确地识别成年人,但不能识别新生儿.
• 新生儿大脑发育涉及快速的变化,可能会用线性模型掩盖个体特征.

研究的目的:

• 测试新生儿功能连接数据中存在个体独特性的假设.
• 调查深度生殖模型是否可以捕捉新生儿中的这些独特模式.
• 将深度学习模型的性能与新生儿大脑指纹的线性模型进行比较.

主要方法:

• 使用了一个深度生成模型,一个变化自编码器 (VAE).
• 在100名成人和464名新生儿的休息状态功能性MRI (rs-fMRI) 数据上训练有素的VAE.
• 与线性模型进行年龄预测和个人识别的VAE性能比较.

主要成果:

• 在成人和新生儿中,VAE模型实现了优异的年龄预测 (r ≈ 0.7) 和个体识别 (∼45%) .
• 与线性模型相比,VAE的个体识别准确度 (10-30%) 显著更高.
• VAE区分了与年龄相关的连接和个别的独特标记,识别了多模式大脑区域的独特模式.

结论:

• 在新生儿大脑的功能连接中存在着个人的独特性.
• 像VAE这样的深度生成模型是捕捉新生儿微妙,个性化的大脑模式的有效工具.
• VAE分析为大脑成熟和个性化神经成像表型提供了新的见解,超出了线性方法.