NeuroDetour:一种神经通路转换器,用于揭示人类连接体中的结构功能合机制

科学领域:

• 神经科学是一个神经科学.
• 网络神经科学 网络神经科学
• 机器学习 机器学习
• 图形表示学习学习学习图形表示学习

背景情况:

• 现代神经成像揭示了大脑连接,但理解结构功能关系和认知中的神经动力学仍然具有挑战性.
• 当前的机器学习模型经常忽视神经科学原理,阻碍了对神经活动在认知行为中的解释.
• 弥合结构连接 (SC) 和功能连接 (FC) 之间的差距对于理解大脑功能至关重要.

研究的目的:

• 开发一个新的深度学习框架,NeuroDetour,用于分析SC和FC之间的相互作用.
• 引入"拓绕道"的概念,以解释SC路径如何支持FC,形成结构-功能反循环.
• 从神经成像数据中提取有意义的连接特征,用于下游应用.

主要方法:

• 重构了SC-FC交互作为一个图表表示学习问题.
• 引入了一个新的多头自我注意力机制在变压器架构内,灵感来自多跳转回路线.
• 开发了NeuroDetour,这是一个生物启发的深度学习框架.

主要成果:

• NeuroDetour成功地从大规模的神经成像数据集中提取了连接性特征表示.
• 该框架在任务分类和疾病预测方面取得了最先进的表现.
• 人类结合体项目 (HCP) 和英国生物库 (UKB) 数据集的验证在监督和零射击环境中都表现出有效性.

结论:

• NeuroDetour提供了一种强大的新方法来理解大脑结构-功能关系.
• "拓绕道"概念提供了一个生物学上可信的机制来调解SC-FC合.
• 这一框架对于推进神经学领域的连接学研究和临床应用具有重大潜力.