使用多站点rs-fMRI数据的图表注意力机制对重大抑郁症的分类

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.
• 医疗成像医学成像

背景情况:

• 大型抑郁症 (MDD) 构成了全球重大健康挑战,需要改进诊断工具.
• 目前对MDD的诊断方法可能是主观的,缺乏客观的生物标志物.
• 休息状态功能性MRI (rs-fMRI) 为大脑功能和连接提供了一个非侵入性的窗口.

研究的目的:

• 开发和验证一种新的,可解释的机器学习框架,用于使用rs-fMRI数据对MDD进行分类.
• 利用图形神经网络 (GNN) 来捕捉大脑中复杂的功能连接模式.
• 通过识别与MDD相关的关键大脑区域和连接来提高诊断模型的解释性.

主要方法:

• 利用Node2Vec从功能连接 (FC) 网络中提取低维嵌入.
• 采用了多头关注的图表关注网络 (GAT) 来衡量歧视性的区域间联系.
• 集成了一个集体分类器 (随机森林,SVM,MLP) 进行强大的MDD识别.

主要成果:

• 实现了78.73% (REST-meta-MDD) 和92.94% (SRPBS-MDD) 的高分类准确率.
• 确定了默认模式网络 (DMN) 和前端对称网络 (FPN) 在区分MDD和健康对照中至关重要.
• 通过GAT的注意力机制表现出增强的可解释性,突出了歧视性大脑区域.

结论:

• 拟议的基于GNN的框架有效地从rs-fMRI数据中高精度地识别MDD.
• 该模型的可解释性,由注意力机制驱动,有助于理解MDD病理生理学.
• 这种方法为MDD的临床诊断和治疗指导提供了一个有希望的,数据驱动的工具.