一种可解释的深度学习方法,在自传记忆测试期间从前额fNIRS信号中检测焦虑抑郁症状中的生物标志物

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 人工智能的人工智能

背景情况:

• 与非焦虑性抑郁症 (NAD) 相比,焦虑性抑郁症 (AD) 症状与更严重的情绪障碍和认知障碍有关.
• 了解AD和NAD之间的神经生理差异对于优化治疗策略至关重要.

研究的目的:

• 使用神经成像数据,区分焦虑抑郁症 (AD) 症状与非焦虑抑郁症 (NAD) 的神经生理基础.
• 开发一个可解释的深度学习框架,用于诊断抑郁症和识别AD症状.

主要方法:

• 开发了一个可解释的深度学习框架,利用两个卷积神经网络 (CNN).
• 分析了自传记忆测试 (AMT) 中824名参与者的功能近红外光谱 (fNIRS) 神经成像数据.
• 使用夏普利添加式扩展 (SHAP) 方法来识别AD症状的歧视性生物标志物.

主要成果:

• 深度学习模型在区分抑郁症患者和对照者 (准确率=0.89) 和识别AD症状 (准确率=0.91) 中取得了很高的准确性.
• 负情节回忆特征在识别AD症状方面特别有效 (AUC=0.91).
• SHAP分析表明,右半球的通道对预测AD症状的影响最大.

结论:

• 在负面情绪回忆期间,右前极区域 (rFPA) 的血液动态低激活可能是AD症状的关键神经生理标志物.
• 这项研究表明了深度学习和fNIRS在理解和诊断抑郁症亚型方面的潜力.