将可解释的深度学习分类与集群结合起来,以揭示精神分裂症对整个大脑功能网络连接动态的影响

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.
• 医学成像分析 医学成像分析

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 动态功能网络连接 (dFNC) 对于理解大脑疾病至关重要.
• 当前的研究经常使用机器学习分类或聚类来进行dFNC分析.
• 将可解释的分类器与dFNC的集群结合起来是一个未被充分利用的方法.

研究的目的:

• 通过可解释的dFNC分类和集群方法,研究精神分裂症 (SZ) 对大脑活动的影响.
• 为了确定特定的大脑网络动态在SZ个体中发生变化.
• 开发新的定量措施来分析dFNC中的分类器解释.

主要方法:

• 训练了一种可解释的深度学习模型,使用rs-fMRI dFNC数据将SZ个体与健康对照区分开来.
• 从深度学习模型中分组解释,以识别不同的dFNC状态.
• 应用了新的措施来量化分类器解释和大脑网络动态.

主要成果:

• 鉴定了精神分裂症对皮下,感官和小脑网络内的相互作用的显著影响.
• 观察到SZ患者的整体脑活动变化减少.
• 发现精神分裂症对大脑网络动态的影响可能是暂时局部化的.

结论:

• 提出的可解释的dFNC分类器,然后进行聚类,对于研究精神分裂症是有效的.
• 这种方法揭示了与精神分裂症相关的大脑网络动态的特定变化.
• 该方法有可能促进各种神经和神经精神疾病的研究.