用深度卷积神经网络建模神经退行性疾病和创伤性脑损伤后的认知缺陷

神经退行性疾病和创伤性脑损伤（TBI）的准确诊断与评估仍然是开放性挑战。两者均因局灶性轴突肿胀（FAS）导致认知和功能缺陷，但由于我们在细胞层面评估受损神经元的能力有限，难以在活体内给出预后。我们使用卷积神经网络（CNN）作为认知模型来模拟神经退行性疾病和 TBI 的影响。我们利用与生物物理相关的 FAS 统计数据，以功能相关的方式损伤 CNN 中的连接。我们通过对 CNN 进行剪枝以降低过度工程化程度，从而引入大脑的能量约束。定性来看，我们证明了损伤会导致类似人类的错误。我们的实验还提供了关于不同类型和程度损伤如何影响准确率的定量评估。固定量损伤所导致的缺陷在很大程度上取决于哪些连接被随机损伤，这为为何难以预测损伤提供了直观理解。在解释来自人脑等复杂系统的认知缺陷时，存在很大程度的主观性。然而，我们为涉及 FAS 的疾病提供了重要的见解和一个定量框架。