结构性MRI的深度学习预测流体,结晶和一般智能

科学领域:

• 神经成像是一种神经成像.
• 认知神经科学 认知神经科学
• 人工智能的人工智能

背景情况:

• 大脑结构和智力之间存在人口级别的相关性.
• 智力的个体变化并不能完全通过人口层面的关联来解释.
• 现有的预测研究主要集中在流体智能上,对结晶或一般智能的研究有限.

研究的目的:

• 研究深度学习在结构性MRI (sMRI) 上的潜力,以预测个人智力系数 (口头,表现和全尺度).
• 用sMRI数据探索结晶和一般智能的预测.
• 评估深度学习模型复杂性和预测准确性之间的关系.

主要方法:

• 利用了来自850名健康和自闭症受试者 (6-64岁) 的T1加权sMRI数据.
• 通过使用各种输入道,六个深度学习模型 (包括2D和3D CNN) 和两个结果设置进行了432次实验.
• 使用GradCAM用于模型解释,以了解参与预测的大脑区域.

主要成果:

• 显示了sMRI和智力预测之间的统计学意义上的关联 (皮尔森相关性> 0.21,p < 0.001).
• 发现深度学习模型复杂度的增加并没有持续提高预测准确性.
• 模型的解释支持了帕里埃托-前额整合理论 (P-FIT),强调了,,和前额叶的作用.

结论:

• T1加权的sMRI具有预测个人智能的巨大潜力.
• 深度学习模型可以预测各种智力系数,提供对结晶和一般智力的洞察力.
• 研究结果支持P-FIT理论,表明智力源于集成的大脑区域活动.