基于 fMRI 数据识别阅读障碍脑基础的视觉解释

精神健康、神经发育与学习障碍的脑成像已与机器学习相结合，以仅基于脑激活来识别患者，并最终从较小数据样本泛化到较大数据样本的特征。然而，机器学习分类算法在神经功能数据上的成功仅限于数十名参与者的更同质数据集。近来，更大的脑成像数据集使得深度学习技术得以应用于仅从神经功能特征分类脑状态与临床组。深度学习技术为医疗应用中的分类提供了有用工具，包括结构 3D 脑图像的分类。近期方法改进了较大功能脑成像数据集的分类性能，但它们未能提供关于潜在状况的诊断见解，或未能从告知分类的神经特征给出解释。我们通过利用若干网络可视化技术应对这一挑战，表明在负责学习高级特征的卷积神经网络层中运用此类技术，我们能够为目的提供有意义图像，以获专家支持的对所分类状况的见解。我们的结果不仅显示了仅从脑成像对发展性阅读障碍的准确分类，还提供了所涉及特征的自动可视化，其与当代神经科学认知相符，表明视觉解释确实有助于揭示所分类障碍的神经基础。