基于储备计算的端到端中风灌流分析，结合有效连通性与可解释人工智能

本文提出了一个基于储备计算的有向图分析管线。该管线的目标是为从磁共振成像（MRI）中提取的中风数据定义一种高效的大脑连通性表示。最终，这一表示被用于有向图卷积架构，并借助可解释人工智能工具进行分析。中风是全球死亡和残疾率最高的原因之一，需要精确的诊断工具以实现及时干预和改善患者预后。神经影像数据因其丰富的结构和功能信息，为生物标志物的发现提供了肥沃土壤。然而，大脑信息流的复杂性和变异性要求采用更高级的分析方法，尤其是如果我们考虑脑联合功能网络因中风患者而被破坏的情况。为此，我们提出了一个端到端的管线。该管线以储备计算因果性开始，以定义大脑的有效连通性。这使得能够构建有向图网络表示，这些表示至今尚未被完全探讨性地用于图卷积网络分类器。事实上，管线随后包含一个分类模块，用于对大脑网络的有效连通性（有向图）进行分类，以区分中风患者与匹配的健康对照。分类结果在给定的异构数据集上达到了 0.69 的曲线下面积。得益于可解释工具，我们成功解释了大脑网络中受破坏区域的连通性模式，这阐明了有效连通性生物标志物对中风分类的贡献，为理解疾病机制和治疗反应提供了洞见。