SpaDE:用于神经成像数据的语义局部保护双集群
概括
研究人员开发了一种新的深度学习方法SpaDE,用于分析精神分裂症 (SZ) 和健康对照 (HC) 中的大脑连接组数据. 这种方法识别了不同的神经社区及其认知联系,提高了神经生物学解释性.
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.
- 机器学习 机器学习
背景情况:
- 神经成像研究经常错过较小小组中的微妙模式,减少神经精神疾病的特异性.
- 主体异质性挑战了高维神经成像数据中的传统集群方法.
- 现有的双聚类方法面临着稀疏数据和解释属性分组的困难.
研究的目的:
- 在神经成像中引入一个深度神经网络,SpaDE,用于无监督的特征学习和双重集群.
- 通过在主体和特征子组中保持语义局部性来增强神经生物学解释性.
- 为了规范稀疏性,以改善脑连接组数据中的表示学习.
主要方法:
- 开发了一个深度神经网络,语义局部保存自动解码器 (SpaDE),用于双聚类.
- 在人类大脑连接上使用了SpaDE,其中包括来自精神分裂症 (SZ) 和健康对照 (HC) 患者的数据.
- 将SpaDE与最先进的双聚类方法进行比较.
主要成果:
- SpaDE成功地确定了主体和神经特征的连贯子组,优于现有方法.
- 该模型提取了模块化神经社区,在HC和SZ受试者之间显示出显著的群体差异.
- 双聚类连接子结构与注意力和工作记忆等认知指标有很强的相关性.
结论:
- 在神经成像中,SpaDE为无监督学习和双重集群提供了一个强大的工具,提高了可解释性.
- 该方法揭示了精神分裂症与认知缺陷相关的特定脑网络变化.
- SpaDE推进了复杂的神经生物学数据的分析及其与认知的关系.
