BPEN:大脑后部证据网络,用于可信的大脑成像分析

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 深度学习推进了脑功能磁共振成像 (fMRI) 分析,用于识别神经生物标志物.
• 在fMRI分析中的预测不确定性仍然未得到充分探索,这阻碍了在诊断中可靠的AI.
• 准确的不确定性估计对于使用fMRI数据可靠的临床决策至关重要.

研究的目的:

• 引入一个新的深度学习模型,大脑后部证据网络 (BPEN),用于量化fMRI数据分析中的不确定性.
• 为了捕捉大脑fMRI预测中的 aleatoric 和 epistemic 不确定性.
• 提高人工智能驱动的神经学诊断工具的可靠性和可信度.

主要方法:

• 开发了大脑后部证据网络 (BPEN),这是一个新的深度学习架构.
• 应用BPEN分析功能磁共振成像 (fMRI) 来自阿尔茨海默病神经成像计划 (ADNI) 和ADNI-抑郁症 (ADNI-D) 队列的数据.
• 评估了BPEN在预测轻度认知障碍 (MCI) 和抑郁症方面的表现,并将其与最先进的方法进行比较.

主要成果:

• 与fMRI分析中现有的最先进的方法相比,BPEN模型显示出更高的预测性能.
• 在MCI和抑郁症的预测中,BPEN有效地捕获和量化了aleatoric和epistemic不确定性.
• 实验强调了不确定性估计对于强大的诊断预测的关键作用.

结论:

• 大脑后部证据网络 (BPEN) 通过结合不确定性估计,在分析大脑fMRI数据方面取得了重大进展.
• 在临床应用中,BPEN提高了人工智能模型的可靠性,特别是在MCI和抑郁症等神经疾病中.
• 这项工作强调了解决预测不确定性的必要性,以便在神经成像中可靠的AI驱动诊断.