Графовые свёрточные сети для анализа ФМР при РАС | РАС-аналитика

Многовидовые графовые свёрточные сети открывают новый подход к анализу пространственно-временных паттернов связности мозга при РАС. Метод позволяет выявить нейробиологические маркеры с точностью, превосходящей традиционные подходы на основе областей интереса.

Многовидовые графовые свёрточные сети открывают новый подход к анализу пространственно-временных паттернов связности мозга при РАС. Метод позволяет выявить нейробиологические маркеры с точностью, превосходящей традиционные подходы на основе областей интереса.

Проблема анализа связности мозга при РАС

Функциональная магнитно-резонансная томография показывает аномалии в сетевой архитектуре мозга при расстройстве аутистического спектра. Однако существующие методы анализа часто опираются на предопределённые области интереса, которые не учитывают индивидуальную вариативность нейроанатомии.

Графовые свёрточные сети предлагают решение: вместо фиксированных областей они работают с топологией сетей напрямую, обучаясь выявлять релевантные паттерны из данных.

Архитектура многовидовых графовых свёрточных сетей

Многовидовые графовые свёрточные сети (multiview graph convolutional networks, MGCN) организованы в несколько слоёв обработки:

Пространственно-временные паттерны

Исследование выявило три критических пространственно-временных паттерна, характерных для РАС:

1. Сниженная интеграция между сетями. Дефицит функциональной связи между сетью дефолта и задачно-позитивными сетями в покое.
2. Повышенная локальная связность. Увеличение локального кластеризма в пределах первичных сенсорных областей.
3. Дисрегуляция динамики. Замедленная динамика переходов между состояниями связности, особенно в переходах между сетями внимания.

Валидация и клинические приложения

Модель обучалась на 312 парах сессий фМР (РАС и контроль). Валидация показала стабильную производительность на независимом наборе данных из другого центра исследований.

«Многовидовые графовые подходы позволяют уловить иерархические зависимости в функциональной организации мозга, невидимые для традиционных методов. Это критически важно для разработки объективных биомаркеров РАС.»

Клиническое значение включает:

• Объективное дополнение к клинической диагностике
• Прогнозирование ответа на поведенческие интервенции
• Стратификация пациентов для персонализированного лечения
• Мониторинг динамики лечения в течение времени

Будущие направления

Следующий этап развития включает интеграцию структурных МР-данных с функциональными для создания мультимодальных моделей. Исследователи также работают над интерпретируемостью моделей для выявления конкретных мозговых механизмов РАС.