跳到正文
原文
Nature Communications· Byeongwook Lee, Louis Rouillard, Leticia Levin Diniz 等 11 人
精选AI 评分62

使用摊销变分推断对人认知中动态因果回路进行全脑建模

Whole-brain modeling of dynamic causal circuits in human cognition using amortized variational inference

AI 导读

研究提出用摊销变分推断对认知任务中的全脑动态因果回路进行建模。

摘要 · AI 翻译

理解认知背后的动态机制仍是人类神经科学的一大挑战。在此,我们开发、验证并应用了带摊销变分推断的多元动力系统辨识(Multivariate Dynamical Systems Identification with Amortized Variational Inference,MDSI-AVI),这是一个计算框架,旨在解决在fMRI数据中捕捉非对称、情境依赖的全脑有向交互,同时考虑区域血流动力学响应变异性时所面临的关键挑战。MDSI-AVI利用基于模拟的推断,通过前向与反向变分推断,解决传统变分方法在高维情形下的局限。通过对血流动力学响应参数的不确定性进行前向模拟并取平均,MDSI-AVI能够给出校准良好的有向连接后验分布,并可高效扩展至包含数百个节点的网络。将该方法应用于人类连接组计划数据(N = 728),MDSI-AVI为工作记忆机制提供了洞见,识别出背侧前岛叶是影响全脑水平活动的关键枢纽。我们展示了因果影响的任务依赖性调制:凸显网络驱动额顶网络活动,而额顶网络又依据工作记忆负荷对默认模式网络和感觉运动网络产生差异性影响。这些全脑因果交互能够以高准确率区分任务条件,并预测工作记忆表现。我们的框架在全脑分区方案下均表现出可重复的结果,确立了MDSI-AVI作为推进我们对认知与疾病中环路动态理解的稳健工具。

中文由 AI 翻译,仅供参考,以原文为准。

来源:Nature Communications · nature.com

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。