模拟大脑功能连接中的时间依赖,以根据异质rs-fMRI数据识别自闭症谱系障碍

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物标志物发现发现

背景情况:

• 自闭症谱系障碍 (ASD) 研究越来越多地关注客观生物标志物.
• 以前的研究主要使用静态的大脑功能连接,忽视时间动态.
• 动态功能连接模式可能为ASD病理生理学提供新的见解.

研究的目的:

• 在患有自闭症的个体中,随着时间的推移,探索大脑功能连接的动态变化.
• 开发一个深度学习框架,使用时间连接模式识别ASD风险.
• 调查动态功能连接作为ASD客观生物标志物的潜力.

主要方法:

• 利用自闭症脑成像数据交换 (ABIDE) 数据库中的静止状态功能磁共振成像 (rs-fMRI) 数据.
• 采用深度学习框架,将注意力机制和长短期记忆 (LSTM) 网络结合起来.
• 将抽象的动态连接模式转化为高级表示,用于分类.

主要成果:

• 通过内部交叉验证,在ASD分类中获得了74.9%的准确性和75.5%的精度.
• 超过了传统的机器学习分类器,如SVM和随机森林.
• 在不同年龄和性别之间展示了模型的稳定性和通用性.

结论:

• 动态的大脑功能连接模式揭示了ASD个体的非典型时间依赖.
• 拟议的深度学习框架显示了开发准确可靠的ASD诊断工具的巨大潜力.
• 强调时间动态在大脑连接中的重要性,以了解ASD.