MMDD:一个多模组多任务动态解框架,用于在神经成像站点进行强大的主要抑郁症诊断

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 医学成像分析 医学成像分析

背景情况:

• 大型抑郁症 (MDD) 诊断需要高效的自动化方法.
• 目前的诊断方法面临的挑战是特征依赖,数据异质性和特征融合.
• 需要先进的计算框架来改善MDD诊断.

研究的目的:

• 为自动化MDD诊断提出多式多任务动态解 (MMDD) 框架.
• 通过整合多式联运数据和增强泛化来解决传统方法的局限性.
• 使用计算建模研究与MDD相关的神经生物学模式.

主要方法:

• 开发了一种使用3D ResNet用于灰色物质体积 (GMV) 和LSTM-Transformer用于时间序列数据的双路径架构.
• 实施了双向交叉注意力融合 (BCAF) 机制,以实现动态多式联运集成.
• 采用渐变逆转层式多任务学习 (GRL-MTL) 来改善域泛化和减轻站点异质性.

主要成果:

• 在REST-meta-MDD数据集上,MMDD框架实现了77.76%的分类准确度.
• 废弃性研究证实了BCAF在聚变中的关键作用,以及GRL-MTL在泛化中的关键作用.
• 解释性分析揭示了在皮下枢纽,小脑和认知皮层中明显的神经生物学模式,其中中间环状回形显示了跨模态异常.

结论:

• 使用多式联络数据开发了一个强大且可通用的计算框架,用于客观MDD诊断.
• 提供了对MDD神经病理过程的数据驱动的见解,进步了对疾病的理解.
• 突出了先进的计算方法用于精神疾病诊断的潜力.