使用线图神经网络在听觉语言任务期间建模功能连接变化
Stein Acker1, Jinqing Liang1, Ninet Sinaii2
1The Integrative Neuroscience of Communication Unit, National Institute on Deafness and Other Communication Disorders, National Institutes of Health, Bethesda, MD, United States.
Frontiers in computational neuroscience
|December 2, 2024
概括
线图神经网络 (GNN) 在分析功能连接 (FC) 大脑网络方面表现得更好. 这些模型更好地捕捉大脑区域的相互作用,在预测任务相关的FC变化方面表现优于传统的GNN.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 图形理论 图形理论
背景情况:
- 功能连接 (FC) 描述了大脑区域之间的相关激活,通常以图形形式建模.
- 图形神经网络 (GNN) 分析这些FC图形,但传统上专注于节点 (区域) 数据.
- 现有的GNN努力充分描述代表区域间功能相关性的关键边缘属性.
研究的目的:
- 调查线路GNN在分析功能连接 (FC) 图表中的有效性.
- 将线路GNN与传统GNN的性能进行比较,以预测与任务相关的FC变化.
- 在两个不同的神经成像数据集中评估GNN性能.
主要方法:
- 实现了两个GNN架构:GraphSAGE和图形卷积网络 (GCN).
- 训练了这些架构的传统版本和Line GNN版本.
- 使用了两个数据集:人类连接组项目 (HCP) 共有205名参与者,以及一个较小的数据集,共有12名参与者.
主要成果:
- 线路GNN在预测两个数据集的FC变化方面表现优于传统GNN.
- 在HCP数据集上,Line GraphSAGE实现了比传统GraphSAGE (p < 0.0001) 低18%的平方平均误差.
- 线路GNN在第二个数据集上显示出具有统计学意义的改进,最小的过拟合.
结论:
- 线性GNN为分析大脑网络中的功能连接提供了有希望的进步.
- 线GNN以边缘为中心的方法有效地捕捉了复杂的区域间关系.
- 这种方法提高了与任务相关的大脑网络动态的预测.


