使用功能性大脑网络识别精神分裂症的强大的多任务功能选择与反事实解释.
Xinyan Yuan1, Shaolong Wei2, Ying Sun1
1School of Electronics and Information, Jiangsu Vocational College of Business, Nantong, China.
Frontiers in neuroscience
|August 5, 2025
概括
这项研究引入了一种使用多任务特征选择和反事实解释的新方法,从脑成像数据准确识别精神分裂症 (SZ),增强诊断工具.
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:
- 休息状态功能磁共振成像 (rs-fMRI) 揭示了对于理解精神分裂症 (SZ) 至关重要的功能性脑网络.
- 在rs-fMRI数据中,高维度和小样本大小对准确的SZ分类和模型概括提出了挑战.
研究的目的:
- 通过使用 rs-fMRI 数据,提高精神分裂症识别的准确性和可解释性.
- 开发一个强大的多任务特征选择方法,结合反事实解释.
主要方法:
- rs-fMRI数据进行了预处理,以创建功能连接 (FC) 矩阵.
- 使用灰狼优化器 (GWO) 的多任务特征选择框架在SZ患者中确定了异常的FC特征.
- 应用了反事实解释来完善异常FC特征,改善模型预测和临床解释性.
主要成果:
- 与现有方法相比,拟议的方法在五个现实世界SZ数据集中显示出更高的分类准确性.
- 该方法通过增强的特征选择和解释,为SZ分析提供了新的见解.
结论:
- 整合多任务特征选择和反事实解释显著提高了SZ识别的准确性和可解释性.
- 该方法通过突出与SZ相关的关键FC特征提供了有价值的临床见解,可能有助于诊断工具的开发.
