使用时空图形卷积网络对大脑功能性MRI数据进行刺激性肠综合征的分类
Jiazhen Wu1,2, Shuxin Zhuang1, Zhemin Zhuang2
1School of Biomedical Engineering, Shenzhen Campus of Sun Yat-sen University, Shenzhen, Guangdong 518107, China.
Brain communications
|March 16, 2026
概括
这项研究引入了一种新的时空图形卷积网络 (ST-GCN) 模型,以使用功能性MRI数据准确地分类刺激性肠综合征 (IBS). 该模型识别了关键的大脑区域,改善了这种常见的功能性胃肠道疾病的诊断潜力.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 刺激性肠综合征 (IBS) 是一种功能性胃肠疾病,其病理生理学不清楚.
- 目前IBS的诊断和预测模型受到小样本大小和功能性MRI数据分析不足的限制.
- 功能性MRI研究表明,大脑网络的改变与IBS有关.
研究的目的:
- 开发和验证一种新的机器学习模型,用于使用rs-fMRI数据对IBS进行分类.
- 使用可解释的深度学习方法识别与IBS相关的关键大脑区域.
- 与现有方法相比,提高IBS的诊断准确度.
主要方法:
- 利用了79名IBS患者和79名健康对照组的rs-fMRI数据.
- 应用了一个时空图形卷积网络 (ST-GCN) 来进行分类.
- 整合了一个新的可解释性模块来识别重要的大脑区域.
主要成果:
- ST-GCN模型的平均精度为83.51%,超过了其他最先进的方法.
- 可解释性模块确定了下垂体叶片,下额外轨道部分,中后回形,中额外轨道部分和上介质额外轨道部分作为关键区域.
- 外部验证实验证实了这些选择的大脑区域对IBS分类的显著影响.
结论:
- 开发的ST-GCN模型与可解释性模块显示在从rs-fMRI数据对IBS进行分类时的高准确性.
- 特定的大脑区域,包括额叶和额叶的部分,对于区分IBS患者至关重要.
- 这种方法为开发更有效的IBS诊断工具提供了一个有希望的途径.
