在休息状态fMRI中识别脑疾病的可解释性规范建模

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 准确识别大脑疾病对于及时干预和改善患者结果至关重要.
• 现有的rs-fMRI分析人工智能模型通常依赖于监督学习,需要大量的注释数据集,可能缺少微妙的模式.
• 像规范建模这样的无监督方法通过从健康对照的数据中学习正常性来提供替代方案.

研究的目的:

• 提出BRAINEXA,这是使用rs-fMRI识别无监督大脑疾病的新框架.
• 通过改进正常性构造和确保可解释性来增强rs-fMRI的规范建模.
• 在无监督环境中识别临床意义上的大脑功能障碍.

主要方法:

• BRAINEXA采用了一种新的培训策略,预测来自不太信息的区域的信息,以构建准确和稳定的正常模型.
• 时空空间相互信息规范化被纳入,以保持潜伏表示的独特性.
• 正常性定义 (ND) 亚区域被提取用于解释性,并与异常分数相结合,用于区域和连接明智的解释.

主要成果:

• BRAINEXA有效地使用rs-fMRI数据上的无监督学习来识别大脑疾病.
• 该框架显示了代表性学习的改进,并防止了代表性扭曲.
• 根据区域和连接生成了明智的解释,有助于识别临床相关异常.

结论:

• BRAINEXA提供了一种强大的无监督方法,用于从rs-fMRI数据中识别大脑疾病.
• 该框架增强了规范建模,改善了正常性构建和可解释性.
• BRAINEXA能够提供可解释的见解,这有助于临床理解大脑功能障碍.