基于人工智能的分析行为和大脑图像在可卡因自我管理的马尔莫塞特
Wonmi Gu1, Juhui Gim1, Dohyun Lee2
1College of Pharmacy, Chungbuk National University, 194-31 Osongsaengmyeong 1-ro, Osong-eup, Heungdeok-gu, Cheongju-si, Chungcheongbuk-do 28160, Republic of Korea.
Journal of neuroscience methods
|September 21, 2024
概括
人工智能 (AI) 模型使用行为数据预测大黄蜂的可卡因依赖. 人工智能还分析PET成像以确定多巴胺转运器的可用性,帮助NHP研究.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 灵长类动物研究研究
背景情况:
- 非人类灵长类动物 (NHPs) 是可卡因自我管理 (SA) 研究的有价值的模型.
- 伦理限制和资源限制挑战了NHP研究.
- 在NHP研究中,需要使用人工智能驱动的方法来分析小数据集.
研究的目的:
- 开发人工智能模型来预测NHP中的可卡因依赖.
- 使用SHAP值分析可卡因依赖的变量重要性.
- 为了对多巴胺载体 (DAT) 结合潜力分析进行 PET 图像的细分.
主要方法:
- 收集了可卡因SA海 (Callithrix jacchus) 的行为数据.
- 开发了一个随机森林 (RF) 模型用于依赖性预测.
- 使用了SHapley添加剂扩展 (SHAP) 对于变量的重要性.
- 开发了一个AI算法用于PET图像对DAT结合的细分.
主要成果:
- 射频模型在依赖性预测方面实现了0.92的AUC.
- SHAP值确定了影响预测模型的关键变量.
- PET细分模型显示了高精度 (0.97),IOU (0.845) 和子系数 (0.913).
结论:
- 人工智能为分析NHP可卡因SA数据提供了一个强大的框架.
- SHAP分析提供了对驱动可卡因依赖的因素的见解.
- 基于AI的PET图像细分是评估NHP中的DAT可用性的宝贵工具.
