通过可解释的多模型深度学习方法识别精神分裂症的重复性重要的EEG标记

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 精神病学是一个精神病学.

背景情况:

• 由于症状多样化,诊断精神分裂症 (SZ) 是复杂的.
• 使用可解释的机器学习 (ML) 方法来找到SZ生物标志物.
• 来自ML研究的生物标志物的概括性通常受到小型模型样本大小的限制.

研究的目的:

• 开发基于特征交互的可解释性的新方法.
• 创建用于总结多模型解释的方法.
• 从ML模型中提取可概括的见解,用于SZ生物标志物发现.

主要方法:

• 实施了一种新的基于功能交互的可解释性方法.
• 开发了汇总多模型解释的新方法.
• 分析了脑电图 (EEG) 光谱功率数据和模型解释 (训练和测试集).

主要成果:

• 确定了SZ对α,β和θ频段的显著影响.
• 在大脑左半球中发现了与SZ相关的效应.
• 在大多数交叉验证折叠中观察到与SZ相关的半球间相互作用差异.

结论:

• 开发的方法提高了神经精神疾病中生物标志物识别的可靠性.
• 这些发现为精神分裂症的神经支提供了洞察力.
• 这项研究鼓励开发强大的,可解释的ML方法来发现生物标志物.