Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

The Prodromal Synucleinopathy Rating Scale: An Assessment in Patients With REM Sleep Behavior Disorder.

Neurology·2026
Same author

DANCE: Deep Learning-Assisted Analysis of ProteiN Sequences Using Chaos Enhanced Kaleidoscopic Images.

Journal of computational biology : a journal of computational molecular cell biology·2026
Same author

Deep learning for estimating right ventricular function from routine coronary angiography.

European heart journal. Digital health·2026
Same author

Biomarkers.

Alzheimer's & dementia : the journal of the Alzheimer's Association·2026
Same author

Biomarkers.

Alzheimer's & dementia : the journal of the Alzheimer's Association·2025
Same author

Biomarkers.

Alzheimer's & dementia : the journal of the Alzheimer's Association·2025

相关实验视频

Updated: May 22, 2025

Basics of Multivariate Analysis in Neuroimaging Data
06:35

Basics of Multivariate Analysis in Neuroimaging Data

Published on: July 24, 2010

16.8K

用可解释的AI来描述精神分裂症分类,性别差异和大脑年龄估计的多变量区域枢纽.

Yuzheng Nie1,2, Taslim Murad1, Hui-Yuan Miao1

  • 1Department of Radiology, Mallinckrodt Institute of Radiology, Washington University School of Medicine, St. Louis, MO, USA.

medRxiv : the preprint server for health sciences
|March 17, 2025
PubMed
概括

这项研究使用人工智能 (AI) 来识别精神分裂症 (SZ) 和衰老中的大脑模式. 深度学习模型揭示了SZ患者的特定区域大脑变化,因性别而异,并突出显示了与衰老相关的大脑区域.

关键词:
大脑年龄预测预测深度学习是一种深度学习.机器学习 机器学习精神分裂症的分类 精神分裂症的分类性差异性差异性差异性差异性差异性差异性差沙普利添加剂的解释

更多相关视频

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

15.6K
Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease
09:06

Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease

Published on: June 9, 2018

12.1K

相关实验视频

Last Updated: May 22, 2025

Basics of Multivariate Analysis in Neuroimaging Data
06:35

Basics of Multivariate Analysis in Neuroimaging Data

Published on: July 24, 2010

16.8K
Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

15.6K
Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease
09:06

Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease

Published on: June 9, 2018

12.1K

科学领域:

  • 神经成像是一种神经成像.
  • 人工智能的人工智能
  • 精神病学是一个精神病学.

背景情况:

  • 通过了解其神经生物学基础,可以改善精神分裂症 (SZ) 的诊断和治疗.
  • 在SZ中,大脑结构和衰老过程中的性别差异尚未完全被理解.

研究的目的:

  • 调查用于精神分裂症分类,性别差异和大脑年龄预测的多变量区域大脑模式.
  • 利用结构性MRI,人口统计和可解释的AI进行增强分析.

主要方法:

  • 采用并比较各种AI模型,包括支持向量分类器 (SVC),k-最近邻居 (KNN) 和深度学习 (DL) 进行分类和回归.
  • 整合了表现最好的DL模型与Shapley添加式解释 (SHAP) 以确定显著的多变量大脑区域模式.

主要成果:

  • 深度学习 (DL) 模型在精神分裂症分类,性别差异识别和大脑年龄预测方面表现优于其他AI模型.
  • 综合DL-SHAP方法确定了SZ患者的特定解剖变化 (例如,左,胰岛,海马体,骨),这些变化在性别之间有所不同.
  • 与衰老相关的关键大脑区域在健康对照组和SZ患者中都被确定.

结论:

  • 这项研究成功地使用了预测建模和可解释的AI来揭示复杂的多变量大脑区域,这些区域与精神分裂症,性别差异和大脑衰老有关.
  • 这些发现为精神分裂症的神经生物学机制提供了更深入的见解,为精准医学和改进诊断/治疗铺平了道路.