基于fMRI的注意力增强时间和空间特征提取网络用于基于fMRI的ADHD诊断
IEEE journal of biomedical and health informatics
|February 25, 2026
概括
一个新的深度学习模型,AE-STEN,通过分析fMRI数据中的大脑活动模式来改善注意力缺陷多动症 (ADHD) 诊断,实现高精度和临床相关性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是一种常见的神经发育障碍,需要准确的诊断才能进行有效的干预.
- 功能磁共振成像 (fMRI) 与深度学习相结合,有可能识别与ADHD相关的时空大脑特征.
- 目前的深度学习模型难以完全捕捉FMRI数据在ADHD诊断中的复杂的时间和空间特征.
研究的目的:
- 开发一种先进的深度学习框架,AE-STEN,用于从ADHD的fMRI信号中全面提取时空特征.
- 增强时间依赖的建模和整合静态和动态的大脑网络相互作用,以改善ADHD检测.
主要方法:
- 提出了注意力增强的时空特征提取网络 (AE-STEN),包括一个时间跨度卷积注意力模块 (TCAM) 和一个空间协作注意力引导图表表示模块 (SCGRM).
- 在fMRI时间序列中,TCAM捕获了多尺度的时间依赖性.
- SCGRM模拟了静态和动态fMRI数据之间的协作相互作用,以实现一致的空间特征提取.
主要成果:
- 在ADHD-200数据集 (747名受试者) 上,AE-STEN实现了76.06%±0.65%的分类准确度.
- 该模型成功地确定了与ADHD相关的大脑区域,与已知的临床发现保持一致.
- AE-STEN表现出强大的解释性,表明临床实用性.
结论:
- AE-STEN有效地从fMRI数据中提取关键的时空特征,用于ADHD诊断.
- 拟议的模型克服了现有方法在捕捉时间动态和网络相互作用方面的局限性.
- 由于AE-STEN的准确性和可解释性,它在ADHD诊断中的临床应用具有显著的前景.
