用于rs-fMRI症分类和生物标志物发现的可解释变压器模型

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 对于的诊断,静止状态fMRI (rs-fMRI) 的自动解释是具有挑战性的.
• 使用 rs-fMRI 开发强大的分类的方法对于改善患者的治疗结果至关重要.

研究的目的:

• 开发和评估一个规范化变压器模型用于使用rs-fMRI的症分类.
• 为了确定可解释的,网络层面的候选生物标志物.

主要方法:

• 使用了用fMRIPrep.预处理的rs-fMRI数据的Schaefer-200小包时间序列.
• 开发了一种规范化变压器模型,包括注意力机制,学习定位编码和fMRI特定的规范化.
• 通过对65名参与者 (30名,35名对照) 的队列和独立的外部数据集进行4倍交叉验证,训练并验证了该模型.

主要成果:

• 调节变压器在内折分类中实现了高性能 (例如,精度0.77,AUC0.76).
• 外部验证显示有希望但性能较低 (精度为0.60,AUC为0.64).
• 以归因为指导的分析确定了边缘,体运动,默认模式和突出网络中的候选生物标志物.

结论:

• 一个规范化的变压器模型显示了从rs-fMRI分类的潜力,并产生可解释的生物标志物.
• 初步结果表明该模型的有效性,但临床转化需要更大的多站点验证和稳定性测试.