脑FTFCN: 时间动态和网络连接的协同功能融合,用于大脑年龄预测
概括
这项研究介绍了BrainFTFCN,这是一个新的深度学习模型,它结合了来自脑部扫描的时间和网络数据,以更准确地预测年龄. 这种方法改善了对大脑衰老和神经疾病的理解.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物标志物发现发现
背景情况:
- 神经成像,特别是静止状态功能磁共振成像 (rs-fMRI),对于理解大脑发育和衰老至关重要.
- 现有的深度学习模型用于大脑年龄预测,通常侧重于时间动态 (时间课程) 或网络拓 (功能网络连接),忽视了协同集成.
- 这种碎片化限制了对大脑衰老模式的全面分析.
研究的目的:
- 开发一个新的深度学习框架,BrainFTFCN,可以协同整合时间课程 (TC) 和功能网络连接 (FNC) 以提高大脑年龄预测.
- 通过识别关键大脑区域和连接模式,提高大脑年龄预测模型的可解释性.
- 为了验证模型的性能与最先进的方法使用一个成熟的数据集.
主要方法:
- 引入了BrainFTFCN,一个功能融合网络,结合了TC的时间注意力自编码器 (TAAE) 和FNC的功能连接图注意力网络 (FCGAT).
- 利用支持矢量回归来基于融合特征的最终年龄预测.
- 使用LASSO回归和GNNExplainer进行模型解释,以确定关键的大脑区域和功能网络连接.
主要成果:
- 与Cam-CAN数据集上的最先进模型相比,BrainFTFCN实现了平均绝对误差 (MAE) 的28.21%降低.
- 在各种评估指标上展示了持续的绩效改进.
- 废弃性研究证实了多特征集成对预测准确性的重大贡献.
- 成功识别了关键的大脑区域和歧视性的FNC模式,提高了生物解释性.
结论:
- 在BrainFTFCN中,时间动态和网络拓学的协同集成显著提高了大脑年龄预测的准确性.
- 该模型提供了更好的生物解释性,促进了有效的衰老生物标志物的发现.
- 脑FTFCN代表了利用神经成像来理解大脑衰老和神经疾病的有希望的进步.
