一个时间频率图形融合框架,用于多站点rsfMRI数据中的重大抑郁症诊断
Shiyue Su1, Zhihan Feng1, Ting Mei1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, Liaoning, China.
Journal of affective disorders
|September 8, 2025
概括
这项研究引入了一种新的AI方法,即时间频率文本归因深度行走 (TF-TADW),用于使用脑部扫描来诊断严重抑郁症 (MDD). TF-TADW显示了高精度,并识别了关键的大脑区域,改善了MDD的分类.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 大型抑郁症 (MDD) 是一个影响个人和社会的全球性健康问题.
- 准确诊断MDD对于有效治疗和改善患者结果至关重要.
- 当前的诊断方法可能面临异质性和多站点数据偏差的挑战.
研究的目的:
- 开发和验证一种新的深度学习框架,TF-TADW,用于使用休息状态功能性MRI (rs-fMRI) 数据对MDD进行分类.
- 将时间频率大脑动态与网络拓集成为增强MDD分类.
- 通过个性化表示学习来解决MDD异质性,并减轻多站点rs-fMRI数据集中的特定站点偏差.
主要方法:
- 拟议的时间频率文本归因深度步行 (TF-TADW) 框架整合了时间频率动态和大脑网络拓.
- 利用注意力机制来适应时间频率特征的权重,从而实现个性化表示学习.
- 采用矩阵分解来同时学习网络拓和节点属性,以便全面嵌入大脑网络.
主要成果:
- TF-TADW实现了很高的分类准确度:在REST-meta-MDD数据集上达到80.13%,在SRPBS-MDD数据集上达到91.97%.
- 注意力机制成功地确定了与MDD相关的关键大脑区域,提高了模型的解释性.
- 在多站点数据集中减轻特定站点偏差的证明有效性.
结论:
- TF-TADW是使用rs-fMRI数据进行MDD分类的高效框架.
- 拟议的方法提供了个性化表示学习,解决了MDD异质性和多站点数据挑战.
- TF-TADW在诊断重度抑郁障碍方面具有显著的临床应用潜力.
