发现控制的多模式神经成像数据融合及其对发育障碍的应用

科学领域:

• 神经成像是一种神经成像.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 多模式融合利用来自不同数据源的共享和互补信息.
• 监督融合对于识别与临床测量相关的基于大脑的模式非常有价值.
• 在大脑数据分析中处理混对于避免虚假发现至关重要.

研究的目的:

• 引入CR-mCCAR,这是一种用于联合优化多式联络融合和混杂去除的新方法.
• 为了捕捉可靠的与临床领域相关的多模式大脑模式,同时考虑共变量.
• 提高神经和精神疾病的表型相关的多模式生物标志物的检测.

主要方法:

• CR-mCCAR采用导向融合模型,同时对目标组件进行优化,并扣除协变量效应.
• 使用模拟来验证准确分离参考和共变因子.
• 分析了来自ADHD和ASD队伍的功能和结构神经成像数据.

主要成果:

• 在模拟中,CR-mCCAR准确地分离了目标和共同变量因素.
• 该方法确定了与核心症状相关的ADHD (条形-thalamo-cortical,突出) 和ASD (突出,前额-时间) 中明显的共同变化的模式,独立于年龄和运动.
• 这些发现在一个独立的队列中复制.
• 与分离融合或回归方法相比,CR-mCCAR显著提高了ADHD/ASD和对照之间的分类准确性.

结论:

• CR-mCCAR提供了一个强大的框架,用于共同优化多式联通融合和混清除.
• 这种方法增强了对大脑疾病的可靠,与表型相关的多式模式生物标志物的发现.
• CR-mCCAR在识别疾病特异的神经成像模式和改善诊断分类方面表现出卓越的表现.