Neues BRIEF-Modell verbessert fMRI-basierte Krankheitsklassifikation
Ein neues Forschungsdokument, veröffentlicht auf arXiv, stellt das BRIEF‑Framework vor, das die Klassifikation von psychischen Erkrankungen mittels funktioneller Magnetresonanztomographie (fMRI) deutlich verbessert.
Aktuelle Deep‑Learning‑Ansätze für fMRI‑Klassifikationen stoßen häufig an Grenzen: Die Netzwerkarchitektur wird meist auf Erfahrung basierend festgelegt, und die Kombination von Merkmalen beschränkt sich häufig auf einfache Konkatenation, ohne gegenseitiges Lernen.
BRIEF greift auf ein neuartiges, von der Funktionsweise des menschlichen Gehirns inspiriertes Konzept zurück. Es integriert eine verbesserte Neural‑Network‑Connection‑Search‑Strategie (NCS) und ein Transformer‑basiertes Mehrfach‑Feature‑Fusion‑Modul, um die Netzwerkarchitektur automatisch zu optimieren.
Zunächst werden vier verschiedene fMRI‑Zeitrepräsentationen extrahiert: Zeitreihen, statische und dynamische funktionelle Verbindungen (FNC/dFNC) sowie mehrskalige Dispersion‑Entropie (MsDE). Jeder dieser vier Encoder nutzt eine modifizierte Q‑Lern‑Methode, um die NCS dynamisch zu optimieren. Die NCS wird dabei als Markov‑Entscheidungsprozess formuliert, wodurch die Auswahl der relevanten Verbindungen lernbasiert erfolgt.
Alle hochrangigen Feature‑Vektoren werden anschließend über einen Transformer zusammengeführt. Dieses Modul berücksichtigt sowohl stabile als auch zeitlich variierende Verbindungen und erkennt Abhängigkeiten über verschiedene Hirnregionen hinweg. Ein zusätzliches Aufmerksamkeits‑Modul erhöht die Interpretierbarkeit der Ergebnisse.
In einem Vergleich mit 21 führenden Modellen wurde BRIEF auf die Unterscheidung von Schizophrenie (SZ, n = 1100) und Autismus-Spektrum-Störung (ASD, n = 1550) gegenüber gesunden Kontrollen getestet. Die Ergebnisse zeigen, dass BRIEF die Klassifikationsleistung signifikant steigert und damit einen wichtigen Fortschritt in der fMRI‑basierten Diagnostik darstellt.
Die vorgestellte Methode demonstriert, wie ein von der Gehirnfunktion inspiriertes Netzwerkdesign die Analyse komplexer neuroimaging‑Daten revolutionieren kann, und eröffnet neue Perspektiven für die klinische Anwendung.