大脑活动的生成式预测增强阿尔茨海默病分类与解释
机器学习
2024-11-01 v1 神经元与认知
摘要
通过纯数据驱动的方法来理解认知与内在大脑活动之间的关系，仍然是神经科学中的一项重大挑战。静息态功能磁共振成像（rs-fMRI）提供了一种非侵入性的方法来监测区域神经活动，提供了丰富而复杂的时空数据结构。深度学习在捕捉这些复杂表征方面已显示出潜力。然而，大规模数据集的有限可用性，特别是对于像阿尔茨海默病（AD）这样的特定疾病群体，限制了深度学习模型的泛化能力。在本研究中，我们专注于对源自 rs-fMRI 的独立成分网络进行多变量时间序列预测，作为一种数据增强形式，同时使用了传统的基于 LSTM 的模型和新型的基于 Transformer 的 BrainLM 模型。我们评估了它们在 AD 分类中的效用，展示了生成式预测如何提升分类性能。对 BrainLM 的事后解释揭示了与 AD 相关的类别特异性脑网络敏感性。
引用
@article{arxiv.2410.23515,
title = {Generative forecasting of brain activity enhances Alzheimer's classification and interpretation},
author = {Yutong Gao and Vince D. Calhoun and Robyn L. Miller},
journal= {arXiv preprint arXiv:2410.23515},
year = {2024}
}