基于多模式图的注意力卷积神经网络的ADHD诊断和生物标志物检测
Xiaotong Wang1, Yibin Tang1, Yuan Gao1
1College of Information Science and Engineering, Hohai University, Changzhou, China.
Computational biology and chemistry
|December 27, 2025
概括
这项研究引入了一种先进的图形神经网络 (Att-GCN),通过整合大脑功能连接和低频波动幅度来改善注意力缺陷/多动症 (ADHD) 诊断. 这种新的方法达到很高的准确性,识别了ADHD所涉及的关键大脑区域.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 图形神经网络 (GNN) 显示出使用大脑功能网络诊断神经精神疾病的前景.
- 现有的GNN方法用于注意力缺陷/多动障碍 (ADHD) 诊断的准确性受到限制,原因是多模式数据集成不足.
研究的目的:
- 通过有效地整合多模式大脑数据,开发一个改进的GNN模型来准确识别ADHD.
- 加强对ADHD诊断大脑功能网络的分析.
主要方法:
- 提出了一个图表注意力卷积网络 (Att-GCN),集成低频波动 (ALFF) 和功能连接 (FC) 数据的多频带幅度.
- 构建了一个双图表表示,其中ALFF数据形成节点,FC数据转换为补充节点,保留拓关联.
- 应用基于图形的特征选择来完善双重图形,并利用Att-GCN进行高级特征学习和ADHD主题识别.
主要成果:
- 在ADHD-200数据集中识别ADHD受试者的平均准确率为93.1%.
- 特别是在右边缘系统 (11个大脑区域) 中表现出高性能.
- 确定了可靠的ADHD生物标志物,这些生物标志物位于丘脑和海马体周围.
结论:
- 拟议的Att-GCN模型有效地整合了多模式大脑数据,以准确诊断ADHD.
- 已确定的大脑区域和生物标志物 (大脑体,海马体) 对于理解ADHD至关重要.
- 这种方法为使用GNN提高神经精神疾病的诊断准确性提供了一个有希望的方向.
更多相关视频
13:09Using Brain Activation nir-HEG/Q-EEG and Execution Measures CPTs in a ADHD Assessment Protocol
Published on: April 1, 2018
10.8K
08:45Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
Published on: October 24, 2012
15.1K
