一个可解释的功能-动态突触图神经网络,用于从rs-fMRI的重大抑郁症诊断
Zhihong Chen1, Jiayi Peng2, Xiaorui Han3
1The Clinical Hospital of Chengdu Brain Science Institute, Sichuan Institute for Brain Science and Brain-Inspired Intelligence, China-Cuba Belt and Road Joint Laboratory on Neurotechnology and Brain-Apparatus Communication, School of Life Science and Technology, University of Electronic Science and Technology of China, Chengdu 610054, P. R. China.
一个新的深度学习模型,功能动态突触图神经网络 (FDSyn-GNN),通过分析动态大脑信号和连接,提高了大抑郁症 (MDD) 的预测. 这种方法为发现MDD的新生物标志物提供了潜力.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 大型抑郁症 (MDD) 影响全球数百万人,需要改进诊断和监测工具.
- 目前休息状态功能磁共振成像 (rs-fMRI) 和用于MDD预测的深度学习方法通常忽视动态大脑信号特征和区域间连接强度.
- 这种限制导致大脑区域更新在预测模型中缺乏生物特异性.
研究的目的:
- 引入一种新的深度学习框架,即功能动态突触图神经网络 (FDSyn-GNN),用于更好地预测严重抑郁症 (MDD).
- 通过结合血液氧气水平依赖 (BOLD) 信号和大脑区域之间的连接强度的动态时间特征来解决现有方法的局限性.
- 探索FDSyn-GNN在生物标志物发现和理解MDD神经支的潜力.
主要方法:
- 功能动态突触图神经网络 (FDSyn-GNN) 模型的开发.
- 集成一个双向封闭循环单位 (Bi-GRU) 时间编码 (BGTE) 模块,以捕获动态 BOLD 信号特征.
- 整合了一个突触图转换器 (SGT) 模块,用于大脑区域的连接意识更新.
主要成果:
- 与12种最先进的 (SOTA) 基线方法相比,FDSyn-GNN在两个大规模的多站点MDD数据集上表现出更高的性能.
- 废弃性研究证实了FDSyn-GNN框架内集成的BGTE和SGT模块的有效性.
- 解释性分析表明,该模型有可能识别与MDD相关的新生物标志物.
结论:
- 拟议的FDSyn-GNN在利用动态rs-fMRI数据进行MDD预测方面取得了重大进展.
- 该模型能够整合时间动态和网络连接的能力,为分析MDD中大脑功能提供了更具生物学特异性的方法.
- FDSyn-GNN对生物标志物发现有希望,并提供了对主要抑郁障碍的神经生物学机制的宝贵见解.
更多相关视频
08:20MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
Published on: August 11, 2015
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
