SFPGCL:使用rs-fMRI数据进行多站点ASD识别的特异性保护联合人口图对比学习

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 自闭症谱系障碍 (ASD) 诊断在单位神经成像研究中受到有限的样本大小和地理偏差的挑战.
• 为自闭症谱系障碍 (ASD) 研究集中的多站点静止状态功能磁共振成像 (rs-fMRI) 数据面临隐私,安全和存储障碍.
• 现有的联合学习 (FL) 和图形神经网络 (GNN) 方法用于rs-fMRI分析,往往忽视了多站点数据异质性和学科间关系.

研究的目的:

• 开发一个新的框架,特异性保护联邦人口图对比学习 (SFPGCL),用于多站点rs-fMRI分析和自闭症谱系障碍 (ASD) 识别.
• 在神经成像数据的联合学习环境中解决数据异质性和保留特定站点的特征.
• 将非成像的人口信息与功能连接相结合,以提高ASD的诊断性能.

主要方法:

• 提出了一个具有服务器和多个客户端的联合学习框架 (SFPGCL),其中包括用于不变知识共享的共享分支和用于特定站点信息的个性化分支.
• 在共享分支中使用时空注意力图神经网络 (GNN) 来学习站点不变时间动态和对比学习以减轻数据异质性.
• 在个性化分支中利用人口图形结构来整合人口数据和功能网络连接,为分类创建站点不变表示.

主要成果:

• 在自闭症脑成像数据交换 (ABIDE) 数据集上,SFPGCL框架实现了自闭症谱系障碍 (ASD) 识别的80.0%准确率和79.7%曲线下的区域 (AUC).
• 与几种最先进的方法相比,在多站点rs-fMRI分析中表现出优异的性能,用于ASD诊断.
• 在联合模型培训过程中有效地减轻了数据异质性,并保留了关键的地点特征.

结论:

• SFPGCL框架为使用rs-fMRI数据的多站点自闭症谱系障碍 (ASD) 识别提供了强大而有效的解决方案.
• 联合学习与图形神经网络和对比学习相结合,可以在大型神经成像研究中成功解决数据异质性和隐私方面的挑战.
• 提出的方法强调了整合共享和特定站点信息的重要性,以获得神经发育障碍的准确和可概括的诊断模型.