多模式表示学习用于分析精神病学神经成像中的生物异质性.

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 精神病学神经成像长期以来一直在寻找抑郁症等疾病的生物标志物,但它们在临床实践中仍然难以捉摸.
• 之前的大规模研究只发现了大脑测量和临床症状之间的小,不可靠的联系,这表明样本大小以外的限制.
• 精神病诊断中的异质性使寻找生物标志物的过程变得复杂,因为诸如主要抑郁症 (MDD) 这样的疾病包括多种不同的症状表现和潜在机制.

研究的目的:

• 审查精神病学神经成像中的从单变量到多变量/多视图方法的转变.
• 探索先进的表示方法,包括深度学习和基于图形的模型,以揭示复杂的神经生物学模式.
• 突出基础模型和新兴工具的潜力,以捕捉精神疾病的动态,多模式性质.

主要方法:

• 对线性多视图嵌入方法的审查,以识别抑郁症亚型.
• 探索用于神经成像数据的深度学习和基于图形的表示.
• 讨论在小型临床队伍中转移学习的多式联络扩展和基础模型.
• 检查新兴工具,将大脑视为一个动态的,有状态的多变量过程.

主要成果:

• 线性多视图嵌入方法已经确定了可重现的生物抑郁症亚型,但与小或轻微的症状样本作斗争.
• 复杂的表示,包括深度学习和多模式方法,揭示复杂的潜伏模式错过单模式研究.
• 基金会模型显示,在小型,隐私受限的临床数据集中利用大规模学习具有前景.

结论:

• 精神病学神经成像生物标志物的局限性源于数据表示方法,而不仅仅是样本大小.
• 多变量,多视图和高级深度学习方法提供了更有效的方法来表示复杂的大脑行为关系.
• 精神病神经科学的未来进展依赖于复杂的算法,这些算法捕捉了精神疾病的分布式,多模式和不断变化的性质,超越了简单的单变异关联.