通过深度学习,解开与精神分裂症临床严重程度和认知表型相关的共同和独特的大脑功能变化
Jing Xia1, Yi Hao Chan1, Deepank Girish1
1College of Computing and Data Science, Nanyang Technological University, Singapore, Singapore.
Communications biology
|August 13, 2025
概括
这项研究使用了一种新的深度学习框架来识别与精神分裂症严重程度和认知缺陷相关的大脑模式. 研究结果揭示了共同和独特的神经模式,有助于理解这种疾病.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 精神分裂症的特征是认知障碍和大脑功能的改变.
- 了解认知缺陷和精神分裂症症状严重性的神经基础至关重要.
- 分享和独特的大脑功能模式仍然不太了解.
研究的目的:
- 开发一个可解释的基于图形的多任务深度学习框架.
- 为了同时预测精神分裂症疾病的严重程度和认知功能.
- 识别与这些表型相关的共同和独特的大脑功能模式.
主要方法:
- 利用了来自3个数据集的378名受试者的功能连接数据.
- 采用了基于图形的多任务深度学习框架.
- 与单任务和最先进的多任务学习方法相比,经过验证的性能.
- 使用区域和模块化层面的元分析证实了这些发现.
主要成果:
- 拟议的框架在预测PANSS子尺度和认知领域得分方面显著优于现有方法.
- 性能在三个独立数据集中是一致且可复制.
- 确定了与疾病严重程度和认知缺陷相关的共同和独特的功能性大脑模式.
结论:
- 这项研究为精神分裂症疾病严重程度和认知障碍的神经相关性提供了新的见解.
- 鉴定到的大脑模式为治疗评估和纵向研究提供了潜在的目标.
- 可解释的深度学习框架在精神病神经成像研究中表现出有效性.
更多相关视频
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.3K
08:49Whole-Brain Single-Cell Imaging and Analysis of Intact Neonatal Mouse Brains Using MRI, Tissue Clearing, and Light-Sheet Microscopy
Published on: August 1, 2022
3.7K
