使用可解释AI和多模态EEG-fMRI脑网络生物标志物识别语言困难
Identification of language difficulties using explainable AI and multimodal EEG-fMRI brain network biomarkers
基于EEG微状态与fMRI脑网络的融合模型区分CELF识别的语言困难者,全样本平衡准确率78.4%。
《临床语言基础评估》(Clinical Evaluation of Language Fundamentals)可识别儿童和青少年的语言困难。然而,其神经生物学基础仍不清楚,部分原因是传统的单一模态神经影像无法捕捉脑功能的多尺度动态。本研究以5–21岁、经《临床语言基础评估》(CELF)低分识别为存在语言困难的个体为对象,提出一种基于EEG微状态与fMRI脑网络的多模态时空融合分析方法。首先,对全样本以及按年龄分层的三个亚组中的CELF个体与典型发育对照组进行组水平统计分析,以识别EEG微状态和fMRI功能连接特征中显著的组间差异。随后,基于所选特征,构建了包含七种基础算法所有两两组合的模型,并对每种架构进行了大量超参数优化,共得到4,221个机器学习模型。采用留一法和五折交叉验证在173名参与者的样本中评估分类性能。最后,利用可解释人工智能(XAI)技术SHAP解释支撑最优模型的核心神经特征。在严格的嵌套交叉验证下,融合模型在全样本中达到78.4%的平衡准确率,在三个年龄亚组(5–9岁、10–13岁和14–17岁)中分别达到86.0%、87.9%和88.1%;非嵌套估计值更高。此外,统计分析与SHAP分析一致揭示,CELF组存在显著的EEG微状态和fMRI连接异常。本研究提出了一个对CELF识别个体具有高判别性能的集成模型。更重要的是,通过整合统计方法与XAI方法,本研究阐明了潜在的关键神经相关物,从而为理解语言困难的神经生物学机制提供了客观的多模态证据。
中文由 AI 翻译,仅供参考,以原文为准。
来源:Scientific Reports · nature.com