MAN-GNN:一个可解释的神经发育障碍的生物标志物架构
Qiulei Han1, Hongbiao Ye2, Miaoshui Bai3
1College of Computer Science and Technology, Changchun University, Changchun, 130022, China; Ministry of Education, Key Laboratory of Intelligent Rehabilitation and Barrier-Free for the Disabled, Changchun University, Changchun, 130022, China; Jilin Provincial Key Laboratory of Human Health Status Identification and Function & Enhancement, Changchun, 130022, China; Jilin Rehabilitation Equipment and Technology Engineering Research Center for the Disabled, Changchun, 130022, China.
概括
这项研究引入了一种新的图形神经网络框架,用于分析神经发育障碍的神经成像数据. 这种方法提高了对大脑活动的理解,提高了对ADHD和ASD等疾病的诊断准确度.
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:
- 神经发育障碍 (NDD) 具有重叠的症状和异质性,阻碍了对潜在神经生物学的理解.
- 目前的诊断方法依赖于主观报告,限制了对患者间变异性的洞察力.
- 准确的神经生物学标记对于NDD如注意力缺陷/多动障碍 (ADHD) 和自闭症谱系障碍 (ASD) 至关重要.
研究的目的:
- 开发一个图形神经网络 (GNN) 框架,整合用于NDD的神经成像数据.
- 加强对大脑神经活动中的非线性,时间和动态特征的分析.
- 为了提高NDD的分类准确性和可解释性.
主要方法:
- 纳入神经动力学Rössler系统,从静态神经信号模拟非线性大脑活动.
- 整合空间和拓大脑网络特征以增强歧视.
- 适应式控制器和跨站点对抗性学习的应用,以提高噪声耐受性和通用性.
主要成果:
- 与现有方法相比,GNN框架显示出更高的分类准确性.
- 该模型在识别NDD中的神经生物学差异方面显示出显著的改进.
- 对ADHD和ASD数据集的实验验证证证了该框架的有效性.
结论:
- 拟议的GNN框架为NDD中神经成像生物标志物研究提供了一个有希望的方法.
- 该框架提供了增强的解释性,有助于NDD的辅助诊断.
- 这种方法有助于更好地理解NDD异质性背后的神经生物学机制.
