Correlation-Distance Graph Learning for Treatment Response Prediction from rs-fMRI

要約

安静状態 fMRI (rs-fMRI) 機能的接続 (FC) 解析は、さまざまな脳領域間の関係と、神経疾患または精神疾患に対するそれらの潜在的な影響についての貴重な洞察を提供します。
しかし、rs-fMRI による治療反応を予測するための具体的な設計の取り組みは、現在の脳の状態と観察されたパターンを駆動する根本的なメカニズムを理解することが困難であるため、依然として限定的であり、rs-fMRI の臨床応用が制限されています。
それを克服するために、対照的な損失の下で相関と距離ベースの類似性測定の両方を統合することにより、包括的な特徴を捕捉するグラフ学習フレームワークを提案します。
このアプローチにより、さまざまなスケールで脳の動的特徴を捕捉し、治療反応をより正確に予測できる、より表現力豊かなフレームワークが実現します。
慢性疼痛と離人症障害のデータセットに関する私たちの実験は、私たちが提案した方法がさまざまなシナリオで現在の方法よりも優れていることを示しています。
私たちの知る限り、私たちは治療反応予測のためのグラフ学習への距離ベースおよび相関ベースの神経類似性の統合を探索した最初の企業です。

要約(オリジナル)

Resting-state fMRI (rs-fMRI) functional connectivity (FC) analysis provides valuable insights into the relationships between different brain regions and their potential implications for neurological or psychiatric disorders. However, specific design efforts to predict treatment response from rs-fMRI remain limited due to difficulties in understanding the current brain state and the underlying mechanisms driving the observed patterns, which limited the clinical application of rs-fMRI. To overcome that, we propose a graph learning framework that captures comprehensive features by integrating both correlation and distance-based similarity measures under a contrastive loss. This approach results in a more expressive framework that captures brain dynamic features at different scales and enables more accurate prediction of treatment response. Our experiments on the chronic pain and depersonalization disorder datasets demonstrate that our proposed method outperforms current methods in different scenarios. To the best of our knowledge, we are the first to explore the integration of distance-based and correlation-based neural similarity into graph learning for treatment response prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google