メンタル診断のための病気認識自己教師付き動的脳ネットワーク学習に向けて

動的脳ネットワーク学習の方法は、冗長な病気に無関係な情報の分離を無視しており、その結果、モデルは最適でない診断結果しか達成できませんでした。一方、教師あり学習スキームはデータが限られているため、必然的に一般化の悪化に苦しむことになります。これらの問題に対処するために、我々はSDBDという自己教師付き動的脳ネットワークの解消表現学習フレームワークを提案します。このフレームワークは、1) 多様なトポロジー情報を捉えるための動的トポロジー対応エンコーダ、2) グラフ構造を再構築するためのクロスデコーダ、3) 分類を目的とした多頭自己注意メカニズムに基づく時空間学習モデルを組み込んでいます。動的脳ネットワークから病気関連情報を解消するために、我々は時間的対照損失と構造再構築損失を設計しました。我々のモデルは、実世界の3つのメンタル疾患で評価しました：自閉症スペクトラム障害（ASD）、大うつ病性障害（MDD）、および双極性障害（BD）。結果は、解消された病気関連情報のおかげで、我々のSDBDが最先端の方法に対して重要な改善を示すことを示しています。さらに、我々の方法は病気に関連するバイオマーカーを特定でき、これは先行研究とも一致しています。我々の知る限り、我々の研究は動的脳ネットワーク分析のための病気関連情報を解消する最初の試みです。コードはhttps://github.com/IntelliDAL/Graph/tree/main/SDBDで入手可能です。