用于研究神经精神疾病的成像-基因组空间模式注意力融合

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 遗传学 是一个遗传学.

背景情况:

• 精神分裂症 (SZ) 是一种复杂的神经精神疾病,影响多个生物系统.
• 分析SZ的各种生物数据源是具有挑战性的,因为它具有特定域的表示和高维度.
• 多模式学习提供了一个有前途的方法来整合不同的数据,以提高对复杂疾病的理解.

研究的目的:

• 开发一种新型的多式人工智能 (AI) 模型,以改进精神分裂症 (SZ) 的分类.
• 解决用于神经精神疾病分析的高维,特定领域的生物数据融合方面的挑战.
• 提高AI模型的解释性,以了解SZ病理生理学.

主要方法:

• 开发了一种多式人工智能模型,其中包含了一种新的瓶,引起注意的融合模块.
• 深度神经网络被用来从多式联络输入流中学习潜在的表示.
• 一个二维 (空间模式) 的注意力模块,包括一个扩展卷积神经网络,用于SZ分类.

主要成果:

• 拟议的模型在多式成像遗传数据集上实现了94.10%的SZ预测准确度,优于现有方法.
• 在皮下,感觉运动和认知控制领域的功能连接被确定为SZ特征的重要因素.
• 注意力分析突出了特定大脑结构 (补充运动区域,尾状,岛状) 的作用,并确定了与SZ相关的基因集群 (CSMD1,ATK3,MOB4,HSPE1).

结论:

• 开发的多式联络人工智能模型有效地整合了各种生物数据,以准确地进行SZ分类.
• 该模型的可解释性有助于识别关键生物标志物并了解精神分裂症的潜在病理生理学.
• 特征归因技术对分析复杂疾病有前途,可以在未来的研究中广泛应用.