视觉转换器自编码器用于无监督表示学习:在脑成像中捕获本地和非本地特征,以揭示遗传关联

科学领域:

• 神经科学是一个神经科学.
• 遗传学 是一个遗传学.
• 人工智能在医学中的应用

背景情况:

• 识别与大脑结构相关的基因位置对于推进神经科学和个性化医学至关重要.
• 之前的工作使用了无监督的深度学习衍生成像表型 (UDIPs) 与卷积神经网络 (CNNs) 进行脑成像全基因组协会研究 (GWAS).

研究的目的:

• 探索视觉变压器 (ViT) 模型用于提取大脑内型的实用性.
• 使用ViT衍生的内分类型识别与大脑架构相关的新型遗传位置.
• 为了比较ViT的性能与基于CNN的脑成像遗传学的方法.

主要方法:

• 将视觉变压器 (ViT) 模型应用于英国生物银行 (UKBB) 的脑MRI数据,以获得128种内分类型.
• 在ViT衍生的内分类型上进行了全基因组关联研究 (GWAS).
• 解释结果以了解ViT模型捕获的模式,包括其注意力机制.

主要成果:

• 发现了10个与大脑架构相关的新型遗传位置,其中3个以前没有在任何GWAS目录中报告过.
• ViT模型确定了独特的模式,包括左右半球对称性,利用其注意力机制和位置嵌入.
• 证明ViT在识别大脑结构的遗传关联方面优于基于CNN的UDIP模型.

结论:

• 基于变压器的架构,特别是ViT,在特征提取和表示方面提供优势,用于脑成像中的遗传发现.
• ViT模型可以在神经成像数据中捕捉复杂的非局部模式,从而发现新的遗传关联.
• 这种方法有望通过更深入地了解大脑结构遗传学来推进个性化医学.