相关实验视频
Updated: May 22, 2025
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
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.
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.
