基于代谢脑成像的可解释图形神经网络,用于对帕金森症的差异诊断

科学领域:

• 神经成像和人工智能的人工智能
• 神经退行性疾病研究研究
• 计算神经科学是一种神经科学.

背景情况:

• 精确区分帕金森综合征 (IPD,MSA,PSP) 是一个挑战,因为重叠的症状和微妙的神经成像差异.
• 现有的诊断方法往往缺乏用于早期和准确的亚型识别所需的精度.
• 需要新的计算方法来分析复杂的神经成像数据,以提高诊断能力.

研究的目的:

• 开发和验证一个可解释的图形神经网络 (GNN) 框架,用于精确区分帕金森综合征.
• 整合放射性特征和网络分析,以提高诊断性能.
• 为这些疾病的神经生物学基础提供可解释的见解.

主要方法:

• 一个由1495名参与者组成的前性队列 (220名对照组,1275名IPD,MSA或PSP患者) 接受了18F-氧葡萄糖PET成像.
• 代谢网络是使用放射性特征相似度矩阵构建的,以量化代谢异质性和网络重组.
• 开发了一个可解释的GNN框架,包括区域放射学相似性网络 (R2SN) 和基于变压器的注意力.

主要成果:

• 基于R2SN的GNN获得了高的F1分数:MSA为92.5%,IPD为96.3%,PSP为86.7%,表现优于对手.
• 多层次的解释性揭示了区域性低代谢 (IPD中的putamen,PSP中的中脑) 和疾病特异性的连接性障碍.
• 注意力机制减少了41%的复杂性,并提高了PSP的诊断特异性5.2%.

结论:

• 提出的可解释的GNN框架为帕金森综合征的精确分类提供了一个新的范式.
• 这种方法显示出在神经退行性疾病中改善诊断准确性的巨大潜力.
• 该方法可扩展到其他网络驱动的神经疾病,为更广泛的应用铺平了道路.