图形-大脑ConvNet:一个基于GCN的一类方法,用于从源级MEG检测MCI

科学领域:

• 神经科学是一个神经科学.
• 老年学是一门学科.
• 人工智能的人工智能

背景情况:

• 轻度认知障碍 (MCI) 是痴呆症的前体,需要早期检测才能进行干预.
• 目前用于MCI检测的神经成像方法通常仅限于休息状态或不适合一般老年人群的复杂任务.
• 确定可靠的MCI生物标志物对于制定有效的降低风险策略至关重要.

研究的目的:

• 为了研究MCI患者在新的任务中注意力的神经相关性,涉及静音电影观看与听觉分心.
• 开发和验证用于检测MCI的机器学习模型,使用功能性大脑连接和光谱-时间特征来检测MCI.
• 探索潜在的听力门缺陷作为早期MCI诊断的生物标志物.

主要方法:

• 进行了一项可行性实验,MCI患者和对照参与者 (CPs) 观看无声电影,随机使用听觉干扰器.
• 基于一类图形卷积神经网络 (GCN) 的新型模型被用于分析源级功能性大脑连接和光谱-时间特征.
• 评估了分类准确性,以根据马节律活动来区分MCI患者和CP.

主要成果:

• 在使用马节奏来区分MCI患者和CP时,GCN模型实现了92.63±0.96%的高分类准确度.
• 与CP相比,MCI患者对听觉干扰器的神经反应显著更高,这表明注意力处理受损.
• 这些发现表明,MCI患者有潜在的听力门缺陷.

结论:

• 该研究成功地在一个独特的实验范式中在MCI患者中确定了注意力的神经相关性.
• 拟议的GCN模型在检测MCI生物标志物方面表现出高效,特别是与听觉处理相关的生物标志物.
• 这些发现表明,听力门缺陷是MCI认知衰退的潜在指标,为早期诊断提供了新的途径.