使用基于静止状态fMRI的新可解释的GCN模型诊断严重抑郁症

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 大型抑郁症 (MDD) 诊断受到数据限制和临床变异性的挑战.
• 休息状态功能磁共振成像 (Rs-fMRI) 提供了对患者大脑活动和网络特征的见解.

研究的目的:

• 开发一个先进的计算模型,使用Rs-fMRI数据进行准确的MDD诊断.
• 确定与MDD相关的关键大脑区域和功能连接模式.

主要方法:

• 从使用Pearson相关性和大脑图谱的多站点Rs-fMRI数据构建功能连接矩阵.
• 设计了一个自适应式传播运营者图形卷积网络 (APO-GCN),根据数据特征自动调整模型表达力.
• 在16个地点的1601名参与者 (830名MDD,771名健康对照) 的大型数据集上验证了APO-GCN模型.

主要成果:

• APO-GCN模型实现了MDD的分类准确率为91.8%,超过了现有的最先进的方法.
• 该分类是由重要的大脑区域驱动的,揭示了功能连接异常作为关键生物标志物.
• 鉴定到的大脑区域和网络与现有研究一致,这表明MDD发病过程中存在广泛的网络功能障碍.

结论:

• APO-GCN模型在从Rs-fMRI数据中对MDD进行分类方面表现出高效率.
• 这些发现突出了特定的大脑区域功能障碍和功能连接的改变,作为MDD的关键指标.
• 这种方法为改善MDD诊断和了解其神经生物学基础提供了一个有希望的工具.