功能性超声波成像与机器学习相结合,用于对药物诱导的血液动力学变化的全脑分析

科学领域:

• 神经科学
• 药理学
• 医学成像

背景情况:

• 功能性超声波成像 (fUSI) 以高空间时间分辨率可视化大脑血液体积变化.
• 目前的fUSI研究通常使用预定义的兴趣区域,可能缺少关键的目标外大脑活动.
• 在临床前模型中使用NMDA受体对手Dizocilpine (MK-801) 来研究记忆和学习障碍.

研究的目的:

• 将机器学习方法 (CNN,SVM,ViT) 与fUSI结合用于分析药物药理学.
• 开发一种数据驱动的方法来识别和绘制大脑中的药物效应.
• 通过fUSI和机器学习研究dizocilpine (MK-801) 对大脑活动的影响.

主要方法:

• 使用功能性超声波成像 (fUSI) 来测量脑血量变化.
• 三种机器学习模型 (CNN,SVM,ViT) 应用于fUSI数据.
• 给临床前模型注射了迪索西尔平 (MK-801),并分析了大脑活动.

主要成果:

• 所有测试的机器学习模型都区分了药物和对照条件.
• 卷积神经网络 (CNN) 在捕捉空间特征和解剖特异性方面表现出卓越的性能.
• 类激活映射确定了MK-801影响的关键大脑区域,包括前额皮质和海马体.

结论:

• fUSI和CNN的结合为临床前药物研究提供了强大的分析框架.
• 这种综合方法可以通过数据识别和绘制药物诱导的大脑活动.
• 这些发现突显了fUSI-CNN在理解药物机制的实用性,同时保留了解剖学和生理学背景.