深度学习识别与奖励相关的青春期前易怒的神经基质:一种新的fMRI 3D CNN应用
Johanna C Walker1, Conner Swineford2, Krupali R Patel2
1Joint Doctoral Program in Clinical Psychology, San Diego State University/University of California, San Diego, San Diego, CA, USA.
Neuroimage. Reports
|June 26, 2025
概括
使用3D卷积神经网络 (CNN) 的深度学习模型显示出从fMRI数据中预测青少年易怒程度的前景. 这种方法识别了参与情绪和奖励处理的关键大脑区域.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 易怒是一种跨诊断的青少年心理健康风险标志物.
- 深度学习,特别是CNN,提供复杂的fMRI数据的高级分析.
- 传统的fMRI分析在检测非线性模式方面存在局限性.
研究的目的:
- 将3D CNN应用于全脑fMRI数据,以预测青少年易怒程度的严重程度.
- 使用回归激活映射 (RAM) 识别可预测易怒的脑部区域.
主要方法:
- 利用了来自青少年大脑和认知发展 (ABCD) 研究的fMRI数据 (N=6065).
- 在奖励预期 (货币激励延迟任务) 期间将3D CNN应用于fMRI数据.
- 使用RAM提取预测功能地图.
主要成果:
- 3D CNN模型取得了令人满意的准确性 (MSE=1.82,MAE=0.48 ± 1.54 SD).
- 功能地图突出显示了双边区域,包括尾状核,杏仁体,副海马圈和海马.
- 确定的大脑区域对于情绪和奖励处理至关重要.
结论:
- 3D CNN具有很大的潜力,可以从fMRI数据中预测尺寸临床结果,如易怒性.
- 这种方法通过利用复杂的神经模式来推进精神病学研究.
更多相关视频
16:08Brain Imaging Investigation of the Impairing Effect of Emotion on Cognition
Published on: February 1, 2012
16.3K
08:10Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa
Published on: February 2, 2018
15.0K
