联合动态大脑网络估计和图表表示学习,用于识别神经系统疾病
IEEE journal of biomedical and health informatics
|October 6, 2025
概括
这项研究介绍了有效脑推理图神经网络 (EBIGNN),用于改进神经疾病的识别. EBIGNN推断了动态的大脑连接,为大脑疾病分析提供了增强的解释性和稳定性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 图形神经网络 (GNN) 在通过分析大脑网络来识别神经系统疾病方面表现有前途.
- 现有的GNN方法存在局限性:不可学习的输入,静态相互作用假设,以及跨疾病的解释性/稳定性差.
研究的目的:
- 解决目前用于神经系统疾病识别的GNN的局限性.
- 提出一种新型模型,EBIGNN,用于推断大脑网络中的动态有效连接 (dEC).
- 为了提高大脑疾病分析的解释性和稳定性.
主要方法:
- 开发了有效的大脑推理图神经网络 (EBIGNN).
- 在一个端到端的框架内,EBIGNN推断出动态的有效连接 (dEC).
- 模型通过下游任务的直接反进行训练,允许灵活学习相关图形结构.
主要成果:
- 与最先进的方法相比,EBIGNN在三个公共数据集上表现出卓越的表现.
- 该模型为时间演变和改变的连接模式提供了可解释的见解.
- 结果与现有的神经成像生物标志物一致,表明临床稳定性.
结论:
- EBIGNN提供了一种灵活,可解释和强大的方法来识别神经系统疾病.
- 该模型能够推断出动态大脑连接的能力,有助于我们更好地理解大脑疾病.
- 在神经成像分析中,EBIGNN显示出临床应用的巨大潜力.
