使用基于图形的深度模型进行结构连接组分析,用于年龄和痴呆症预测.
Anees Kazi1,2, Jocelyn Mora1, Bruce Fischl1,2
1Athinoula A. Martinos Center for Biomedical Imaging, Radiology Department, Massachusetts General Hospital, Boston, USA.
bioRxiv : the preprint server for biology
|March 31, 2025
概括
我们开发了一种新的图形卷积网络 (GCN) 模型,从大脑连接数据中预测年龄和认知功能. 我们的模型显示,与现有方法相比,年龄预测的准确性有所提高.
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:
- 脑连接分析对于理解神经健康至关重要.
- 从大脑结构预测年龄和认知状态可以帮助早期诊断和个性化医学.
研究的目的:
- 开发和验证一种新的机器学习模型,用于使用结构性大脑连接来预测年龄和迷你心理状态考试 (MMSE) 评分.
- 引入一个新的图形卷积网络 (GCN) 架构,具有连接注意模块,用于增强特征表示.
主要方法:
- 利用扩散磁共振成像 (dMRI) 来得出结构性大脑连接图.
- 开发了一个具有多个分支的并行GCN模型,以分离节点和图形特征.
- 整合了一个连接关注模块,用于图表级别的关注和嵌入式表示.
主要成果:
- 与经典和深度学习方法相比,拟议的GCN模型在年龄预测方面表现优越.
- 在PREVENT-AD和OASIS3数据集上的实验验证实了该模型的有效性.
- 废弃性研究证实了单个模型组件的贡献.
结论:
- 新的GCN模型提供了一种有前途的方法,用于从大脑连接中预测年龄和认知功能.
- 连接注意模块增强了模型学习信息图形嵌入的能力.
- 这项工作有助于更好地了解健康和疾病中的大脑变异.


