自编码脑网络及其在大规模脑成像数据分析中的应用

从多种成像模态推断人脑连接组并探索其与认知等人类特质的关系，已引起巨大关注。脑连接组通常表示为网络，节点对应不同的感兴趣区域（ROI），边对应 ROI 之间的连接强度。由于网络的高维和非欧几里得特性，刻画其总体分布并将其与人类特质关联具有挑战性。现有方法侧重于使用预先指定的拓扑特征或主成分分析（PCA）来汇总网络。在本文中，基于深度学习的近期进展，我们开发了非线性潜因子模型来刻画脑图的总体分布，并推断脑结构连接组与人类特质之间的关系。我们将该方法称为图自编码（GATE）。我们将 GATE 应用于两个大规模脑成像数据集——青少年脑认知发展（ABCD）研究和成人人类连接组计划（HCP），以理解结构脑连接组及其与认知的关系。数值结果证明了 GATE 在预测精度、统计推断和计算效率方面相对于对比方法的巨大优势。我们发现，与以往方法相比，结构连接组与广泛的人类认知特质具有更强的关联。