可解释的自我监督动态神经成像使用时间逆转

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:

• 功能磁共振成像 (fMRI) 数据对传统模型提出了挑战,因为噪音和复杂性.
• 深度学习模型提供了更好的性能,但往往缺乏透明度,阻碍了临床信任.
• 现有的方法难以捕捉时间动态,这对于理解神经疾病至关重要.

研究的目的:

• 引入时间逆转 (TR) 预训练方法,以增强对fMRI分析的深度学习.
• 使用fMRI数据提高精神分裂症分类的准确性和可解释性.
• 利用大型数据集进行预训练,以提高在更小,更专业的数据集上的性能.

主要方法:

• 预训练了一个长期短期记忆 (LSTM) 网络,使用TR方法对大型fMRI数据集进行注意.
• 将TR预训练重量转移到FBIRN,COBRE和B-SNIP数据集上的精神分裂症分类模型中.
• 使用集成梯度 (IG) 进行突出映射和地球移动器距离 (EMD) 进行时间动态分析.

主要成果:

• 在所有测试数据集中,TR预训练显著改善了精神分裂症分类性能 (例如,在FBIRN上,中位数AUC从0.7958增加到0.8359).
• Saliency 地图显示了更多生物相关的时间特征,与精神分裂症的偶发性质保持一致.
• 在AUC,平衡精度和强度方面,TR的表现优于基线预训练方法 (OCP,PCL).

结论:

• 在基于fMRI的深度学习模型中,TR方法提高了预测性能和可解释性.
• TR将模型预测与有意义的时间大脑活动模式对齐,增加临床相关性.
• 像TR这样的可解释的人工智能工具显示出临床诊断和治疗规划在时间动态受损的条件下具有前景.