使用深度学习为人口神经科学生成基于任务的合成大脑指纹
Emin Serin1,2,3, Kerstin Ritter4, Gunter Schumann5,6
1Research Division of Mind and Brain, Department of Psychiatry and Neuroscience CCM, Charité-Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin, Humboldt-Universität zu Berlin and Berlin Institute of Health, Berlin, Germany. emin.serin@charite.de.
Communications biology
|November 14, 2025
概括
DeepTaskGen从静止状态的fMRI数据中合成基于任务的功能磁共振成像 (fMRI) 对比图. 这种深度学习方法能够对认知功能和生物标志物发现进行大规模分析.
科学领域:
- 神经成像是一种神经成像.
- 认知神经科学 认知神经科学
- 人工智能的人工智能
背景情况:
- 基于任务的fMRI揭示了认知中的神经差异,但在大型数据集中面临可扩展性问题.
- 目前的方法在高认知要求,协议变异和有限的任务覆盖率方面扎.
研究的目的:
- 开发一种深度学习方法,DeepTaskGen,用于从静止状态fMRI数据中合成基于任务的fMRI对比图.
- 为了使个人认知差异和生物标志物生成的大规模研究.
主要方法:
- 提出了DeepTaskGen,这是一个深度学习模型,可以从静止状态的fMRI生成任务对比图.
- 使用Human Connectome项目寿命数据进行验证.
- 在超过20,000名英国生物库参与者中,为7个认知任务生成了47个对比图.
主要成果:
- 在合成任务对比图方面,DeepTaskGen的表现优于基准标准,显示出卓越的重建.
- 保持对生物标志物发展至关重要的个体间变异.
- 合成地图在人口统计,认知和临床变量方面实现了可比或优越的预测性能.
结论:
- DeepTaskGen使用随时可用的静态fMRI促进了对认知功能的个体差异的研究.
- 能够在规模上生成与任务相关的生物标志物.
- 通过克服传统基于任务的fMRI的局限性,推进神经成像研究.
