利用fMRI非静止性进行深度学习分类器培训和特征检测,以改善精神分裂症诊断

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 人工智能的人工智能

背景情况:

• 精神疾病的临床诊断往往缺乏可靠性.
• 需要客观,基于神经生物学的诊断工具.
• 动态功能连接体 (dFCs) 显示出对理解大脑功能有希望.

研究的目的:

• 开发和验证一种深度学习模型,用于使用fMRI衍生dFCs对精神疾病进行分类.
• 识别特定的大脑区域和网络连接,有助于诊断分类.
• 评估开发模型的临床实用性.

主要方法:

• 分析了来自四组患者 (青少年开始精神分裂症,成人精神分裂症,严重抑郁症,双相情感障碍) 和健康对照组的功能磁共振成像 (fMRI) 数据.
• 变化点检测被用来识别dFCs.
• 图形卷积网络 (GCN) 模型经过训练,将患者从对照组分类.
• 类激活映射 (CAM) 和集成梯度 (IG) 用于模型的解释性.

主要成果:

• 该GCN模型实现了高分类准确性,在成人精神分裂症中达到89.2% (灵敏度=0.90,特异性=0.88).
• 解释性分析确定了关键的大脑区域 (默认模式网络,小脑,感官区域) 和网络边缘,有助于跨疾病的分类.
• 对于在工作记忆任务中发生的青少年精神分裂症,布罗德曼区域10和背侧前额叶皮质是至关重要的.
• 临床应用表明,使用静止状态fMRI对成人开始精神分裂症进行准确分类的测试后概率为93%.

结论:

• 应用于fMRI衍生dFC的深度学习模型可以显著提高精神病学中的诊断可靠性.
• 这种方法为精神病诊断提供了一个客观的,基于神经生物学的方法.
• 鉴定的大脑网络和区域为精神疾病的神经支提供了洞察力.