STANet:一种新的时空聚合网络,用于用小型和不平衡的FMRI数据对抑郁症进行分类
Wei Zhang1, Weiming Zeng1, Hongyu Chen1
1Lab of Digital Image and Intelligent Computation, College of Information Engineering, Shanghai Maritime University, Shanghai 201306, China.
Tomography (Ann Arbor, Mich.)
|December 27, 2024
概括
这项研究介绍了STANet,一种新的AI网络,用于使用功能磁共振成像 (fMRI) 诊断抑郁症的脑活动. STANet通过分析时空特征和平衡不平衡的数据集来提高诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 早期诊断抑郁症对于治疗和预防自杀至关重要.
- 目前的诊断方法缺乏客观的生物标志物.
- 功能性磁共振成像 (fMRI) 与人工智能相结合提供了潜力,但面临着小型,不平衡数据集的挑战.
研究的目的:
- 开发一种先进的AI模型,使用fMRI数据准确诊断抑郁症.
- 解决神经成像研究中小型和不平衡数据集的局限性.
- 提高fMRI在抑郁症评估中的临床实用性.
主要方法:
- 提出了空间时间聚合网络 (STANet),将CNN和RNN整合在一起.
- 利用独立组件分析 (ICA) 进行时空聚合和多尺度深度卷积来提取特征.
- 采用合成少数群体过量采样技术 (SMOTE) 进行数据平衡,并使用注意力-福里埃门循环单位 (AFGRU) 分类器进行增强的依赖性捕获.
主要成果:
- 在抑郁症诊断中,STANet实现了82.38%的准确性和90.72%的AUC.
- 空间时间特征聚合模块和AFGRU分类器显著提高了性能.
- 时空特征的表现优于纯粹的时间或空间特征,SMOTE对数据平衡有效.
结论:
- 根据fMRI数据,STANet在诊断抑郁症方面表现出卓越的表现,优于现有方法.
- 该模型有效地处理小型和不平衡的数据集,这对于临床应用至关重要.
- 在临床环境中,STANet提供了一个有前途的工具,可以提高抑郁症的诊断和治疗评估.
