可解释的机器学习算法预测了使用任务fMRI在帕金森病中的工作记忆性能
Eiji Yasuda1, Takaaki Hattori2,3, Kaoru Shimano1
1Department of Neurology and Neurological Science, Institute of Science Tokyo, Bunkyo-Ku, Tokyo, Japan.
Journal of neurology
|October 14, 2025
概括
研究人员开发了一种可解释的深度学习模型,以使用基于任务的fMRI对帕金森病 (PD) 的工作记忆 (WM) 性能进行分类. 该模型实现了93.3%的准确性,超过了放射科医生,并确定了参与WM的关键大脑区域.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 认知神经科学 认知神经科学
背景情况:
- 帕金森病 (PD) 损害了运动和认知功能,特别是工作记忆 (WM).
- 基于任务的功能磁共振成像 (fMRI) 显示了解码大脑活动的潜力,但在PD中应用有限.
- 开发先进的分析工具对于了解PD对认知功能的影响至关重要.
研究的目的:
- 开发一种可解释的机器学习模型,用于对PD患者的WM性能水平进行分类.
- 利用基于任务的fMRI数据来客观地评估PD的认知功能.
- 提高帕金森病研究中神经成像发现的解释性.
主要方法:
- 45名PD患者和15名健康对照 (HCs) 在n-back WM任务期间接受了基于任务的fMRI.
- 根据3个背后任务的结果,PD患者被分为更好,中等和更差的WM表现子组.
- 一个3D卷积神经网络 (3D-CNN) 模型,先用3D自编码器进行预训练,用于二进制分类.
主要成果:
- 3D-CNN模型实现了93.3%的准确性,在区分患有更严重WM的PD患者和HC患者中.
- 这一准确率明显超过了专家放射科医生的平均准确率 (70.0%).
- Saliency 地图突出显示,背侧前额叶皮和额叶叶片是WM表现的关键区域,与fMRI数据一致.
结论:
- 成功开发了一种可解释的深度学习模型,使用基于任务的fMRI来对PD中的WM性能进行分类.
- 这种方法提供了一个客观和可解释的方法来评估临床神经成像中的大脑功能.
- 这些发现表明,在帕金森病管理中,有望改进诊断和预后工具.
