Key points are not available for this paper at this time.
يمثل تطوير نماذج الشبكات واسعة النطاق التي تستنتج الاتصال الفعال (الموجه) بين مجموعات الخلايا العصبية من بيانات التصوير العصبي تحديًا رئيسيًا في علم الأعصاب الحسابي. تُستخدم نماذج الأسباب الديناميكية (DCMs) للبيانات التصويرية والعصبية بشكل متكرر لاستنتاج الاتصال الفعال، ولكنها محصورة حاليًا في رسوم بيانية صغيرة (عادةً حتى 10 مناطق) للحفاظ على إمكانية عكس النموذج من الناحية الحاسوبية. هنا، نقدم نوعًا جديدًا من DCM لبيانات تصوير الرنين المغناطيسي الوظيفي (fMRI) مناسب لتقييم الاتصال الفعال في شبكات كبيرة (الدماغ بالكامل). تقوم هذه الطريقة على نقل DCM الخطي إلى مجال التردد وإعادة صياغته كحالة خاصة من الانحدار الخطي بايزي. تستخرج هذه الورقة نموذج الانحدار DCM (rDCM) بالتفصيل وتقدم طريقة عكس بايزي متغير تمكّن من الاستنتاج بسرعة فائقة وتسريع عملية عكس النموذج بمقدار عدة أوامر من حيث الحجم مقارنةً بالنموذج التقليدي DCM. باستخدام كل من البيانات المحاكاة والبيانات التجريبية، نثبت الصحة السطحية لـ rDCM تحت إعدادات مختلفة لنسبة الإشارة إلى الضوضاء (SNR) ووقت التكرار (TR) لبيانات fMRI. على وجه الخصوص، نقيم الفائدة المحتملة لـ rDCM كأداة لعلم الاتصاليات الخاصة بالدماغ بالكامل من خلال تحدّيها لاستنتاج قوى الاتصال الفعالة في شبكة دماغية كاملة محاكاة تتكون من 66 منطقة و300 معامل حر. تشير نتائجنا إلى أن rDCM تمثل نهجًا فعالًا للغاية من الناحية الحاسوبية مع إمكانات واعدة لاستنتاج الاتصال في الدماغ بالكامل من بيانات fMRI الفردية.
درس فراجله وآخرون (الخميس) هذا السؤال.
Synapse has enriched 4 closely related papers on similar clinical questions. Consider them for comparative context: