基于多模式的深度学习检测到被破坏的前连接及其相关的遗传特征,用于预测ADHD成年人的ADHD
Ziqing Zhu1, Yufei Liu2, Qianrong Liu3
1Peking University Sixth Hospital, Institute of Mental Health, National Clinical Research Center for Mental Disorders (Peking University Sixth Hospital), China; NHC Key Laboratory of Mental Health (Peking University), Beijing, 100191, China.
Journal of affective disorders
|December 7, 2025
概括
这项研究使用了与脑成像和遗传数据的深度学习模型来预测成人注意力缺陷/多动性障碍 (ADHD). 研究结果揭示了与ADHD症状相关的关键大脑连接模式和遗传联系,改善了诊断理解.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 是一个遗传学.
- 人工智能的人工智能
背景情况:
- 通过整合神经成像和遗传数据,可以改善成人注意力缺陷/多动症 (ADHD) 诊断.
- 图形卷积网络 (GCNs) 为分析精神病学研究中复杂的多式联络数据集提供了一个有前途的方法.
研究的目的:
- 开发和验证一个基于人口的GCN模型,使用功能性MRI和基因组学数据来预测成年人的ADHD.
- 通过下游分析,识别特定的功能连接 (FC) 模式和与ADHD病理生理学相关的遗传因素.
主要方法:
- 收集了258名ADHD成年人和243名对照人的功能性MRI和基因组学数据.
- 采用边缘变量图卷积网络用于多式联运数据融合和预测.
- 进行了敏感性分析,GWAS和转录组神经成像关联分析,以识别和验证关键的ADHD相关特征.
主要成果:
- 该GCN模型在预测ADHD方面达到73.55%的准确性,超过了其他方法.
- 发现了FC (双边前和左侧副海马圈/右海马) 和ADHD核心症状之间存在显著的相关性.
- 左前 (PCun) 被确定为一个关键的枢纽,其改变的FC与多动性,冲动性和抑制控制缺陷有关.
结论:
- 基于多模式的深度学习有效地歧视ADHD的成年人,提供可解释性.
- 预先和相关遗传特征的功能性改变与成人ADHD的病理生理学有关.
