Neurofind:使用深度学习在基于大脑的疾病中进行个性化推断

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 医疗成像医学成像

背景情况:

• 精准精神病学越来越多地使用规范模型来理解大脑的异质性.
• 开发这些模型通常需要大量的技术专业知识和资源,这限制了许多研究人员的可访问性.

研究的目的:

• 介绍Neurofind,这是一个免费可用的基于Web的工具,旨在民主化用于大脑形态分析的先进规范模型的使用.
• 为研究人员提供一个可访问的平台,以从结构性MRI数据中生成异常指数得分和大脑年龄.

主要方法:

• Neurofind是使用3362名健康对照组 (年龄在20-80岁) 的协调结构性MRI数据开发的.
• 用对抗性自编码器提取和分析了大脑区域体积,用于Outlier指数得分和支持向量回归的大脑年龄.
• 该平台需要最小的用户输入,通过四步网页界面 (www.neurofind.ai) 处理结构MRI图像.

主要成果:

• Neurofind输出异常指数得分 (偏离规范形态) 和大脑年龄 (根据形态学预测的年龄).
• 对阿尔茨海默氏症 (AD) 和精神分裂症 (SCZ) 数据集的应用揭示了不同的模式:AD患者显示极端异常值 (55.2%),有时边缘偏差,而SCZ患者 (30.1%) 具有海马/皮偏差和更大的异质性.
• 与规范数据相比,AD和SCZ患者组都表现出加速的大脑衰老.

结论:

• Neurofind为研究人员提供了一个可访问的解决方案,可以将复杂的规范建模技术应用于结构性MRI数据.
• 该工具有助于识别大脑形态的偏差,并估计大脑年龄,支持精神病和神经退行性疾病的研究.
• 在AD和SCZ的发现突显了Neurofind在特征性疾病特异性大脑形态和衰老模式中的实用性.