时间逆转增强动态因果分布学习及其在识别MCI患者动态ECN中的应用

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 数据科学数据科学数据科学

背景情况:

• 了解大脑区域之间的动态因果影响对于描述人类大脑相互作用的时间变异至关重要.
• 当前的因果发现方法通常假定固定因果关系,无法捕捉大脑连接的动态和波动性.

研究的目的:

• 为非静态和非线性系统提出一个新的因果关系学习框架.
• 开发一种能够推断大脑数据中的动态和不断演变的因果关系的模型.

主要方法:

• 开发了一个时间逆转增强的动态因果分布学习 (TRDCDL) 模型,集成时空信息.
• TRDCDL模型识别了非线性和非静止系统中的演变分布稀疏相互作用.
• 该模型使用合成数据集进行了验证,并应用于来自阿尔茨海默病神经影像倡议的神经影像数据.

主要成果:

• 在合成模型中,TRDCDL准确地学习了线性和非线性因果关系.
• 动态有效连接网络 (dECN) 被推断为轻度认知障碍 (MCI) 的两个阶段.
• 在MCI阶段之间观察到dECN的显著差异.

结论:

• dECN作为可靠的神经标志物,用于区分MCI阶段.
• 渐进性MCI与默认模式和边缘网络中的动态因果影响减少有关.
• 观察到的连接性变化反映了MCI中神经退行和不断变化的网络模式.