相关实验视频
Updated: Jan 14, 2026
Three-Dimensional Shape Modeling and Analysis of Brain Structures
Published on: November 14, 2019
通过点击黑盒获得大脑洞察力:使用基于Shapley的解释方法将结构性MRI特征与年龄和认知联系起来
Julia Kropiunig1, Øystein Sørensen2
1Center for Lifespan Changes in Brain and Cognition, Department of Psychology, University of Oslo, Oslo, Norway. julia.kropiunig@psykologi.uio.no.
可解释机器学习从神经成像揭示了大脑衰老的洞察力. 像海马和小脑这样的关键大脑区域预测流体智能,提供对大脑功能的数据驱动理解.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 机器学习 (ML) 中的全球解释性为神经成像洞察提供了潜在的潜力.
- 神经成像数据中的高维度和相关性需要仔细选择可解释性方法.
- 现有的方法,如SHAP (夏普利添加式扩展) 经常假设特征独立.
研究的目的:
- 评估神经成像数据的各种全球解释性技术.
- 评估考虑特征依赖和固有的全球方法的方法.
- 应用这些方法来预测使用英国生物库数据的年龄和流体智能.
主要方法:
- 在英国生物库的神经成像测量中训练了XGBoost模型.
- 应用了包括SHAP和SAGE (SHapley分析一般解释) 在内的全局解释性技术.
- 对特征依赖性的不同假设进行比较的方法.
主要成果:
- 在皮下区域的平均强度与大脑衰老有很强的相关性.
- 海马,小脑,额叶和叶是流体智能的关键预测因素.
- 确定了与衰老和认知功能相关的独特的神经成像模式.
结论:
- 可解释的ML方法对于从神经成像数据中了解大脑功能是有价值的.
- 使用全球可解释性的数据驱动方法提高了对大脑衰老和认知的洞察力.
- 这项研究强调了在神经成像解释性方面考虑特征依赖的重要性.
更多相关视频
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
09:38Generalized Psychophysiological Interaction PPI Analysis of Memory Related Connectivity in Individuals at Genetic Risk for Alzheimer's Disease
Published on: November 14, 2017
