通过功能连接,图形理论和皮层梯度分析对无意识,幻觉和神经精神病的脑状态进行分类
Hyunwoo Jang1,2, Rui Dai2,3,4, George A Mashour1,2,3,4,5
1Neuroscience Graduate Program, University of Michigan, Ann Arbor, MI 48109, USA.
Brain sciences
|September 28, 2024
概括
一个新的机器学习模型整合了功能连接,图形理论和皮质梯度,准确地分类了各种大脑状态,达到79%的准确性. 这种方法增强了对神经支和各种疾病的临床诊断的理解.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 计算精神病学是一种计算精神病学.
背景情况:
- 准确的大脑状态分类对于神经科学研究和临床应用至关重要.
- 传统的方法依赖于功能连接和图形理论,但可能错过了全球组织模式.
- 皮层梯度提供了一个对大脑组织的补充视图.
研究的目的:
- 开发和验证一个集成功能连接,图形理论指标和皮质梯度特征的机器学习模型.
- 通过使用统一的方法,在各种疾病中区分基线和非典型的大脑状态.
- 评估综合模型在不同大脑状态中的通用性和可转移性.
主要方法:
- 从大脑状态中提取特征,包括无意识,迷幻状态和神经精神疾病.
- 采用了一个支持向量机器,用于模型构建的嵌套交叉验证.
- 利用软投票组合模型将基准模型的预测结合起来.
主要成果:
- 整体模型的平均平衡精度为79%,优于单个模型 (70-76%).
- 性能在各种条件上有所不同,表明需要量身定制的方法.
- 特性重要性分析揭示了跨元条件的神经机制的显著差异.
结论:
- 整合多个特征集可以提高大脑状态分类的稳定性.
- 开发的模型显示了更广泛的大脑状态歧视的希望,尽管需要进一步验证.
- 定制方法是必要的,以准确分类特定的大脑状态,由于不同的神经支.
