协调静息态功能MRI数据以增加样本量并对耳鸣脑连接进行分类
Harmonizing resting-state functional MRI data to increase sample size and to classify tinnitus brain connectivity
预印本 · 尚未经过同行评审
深度学习协调方法合并两组fMRI数据,去除数据集特征信息的同时保留可区分耳鸣与对照的脑连接模式。
耳鸣,即耳中鸣响,是一种影响全球约15%成年人的听觉障碍。目前对这一主观性障碍的神经科学理解仍然有限,部分原因是缺乏足够的神经影像数据来弥补该障碍的异质性;神经数据的采集往往受限于患者数量少以及相对于扫描充足对照者而言翻倍的成本。然而,随着数据共享实践的增多,如果能够成功汇集来自独立站点和研究机构的扫描数据,数据稀缺问题便可通过协调方法加以克服。为实现一项耳鸣神经影像研究中有限数据的数据协调,我们将本实验室采集的一个规模适中的fMRI数据集(n=35)与来自另一个大型数据集——寿命人类连接组计划老龄化项目(n=377)中年龄和性别匹配的样本进行了合并。我们基于静息态fMRI会话扫描测量了脑区之间的功能连接(FC),并使用深度学习架构系统地整合各数据集中的个体FC。我们组装并训练了神经网络模块,以从FC图中清除可识别数据集身份的信息,并保留能够表征耳鸣相关FC的模式。在重建静息态FC数据时,数据集的特征性伪迹信息被显著减少。在重建的静息态FC数据中,能够将耳鸣状态与对照者区分开来的脑连接相关关系得到了良好保留。与现有关于耳鸣脑网络的文献一致,默认模式网络、腹侧注意网络和额顶控制网络相关的连接被识别为区分该状态的关键,因为掩蔽这些网络的连接会严重影响对重建FC的下游分类预测。该数据协调模型成功合并了来自独立采集的fMRI数据集的FC矩阵,且未丢失耳鸣这一神经心理障碍所关注的有意义功能连接模式。我们的发现证明了通过整合独立采集的健康对照数据集进行数据协调的潜力,可在保留障碍相关神经特征的同时克服神经影像数据稀缺问题,从而推进对研究不足的神经系统障碍的研究。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Neuroscience · biorxiv.org