机构名称：
¥ 2.0
揭示大脑各种结构和功能模式之间的关联可以产生有关健康和紊乱大脑的大量信息。最近，使用神经影像数据的研究开始利用各种功能和解剖域（即大脑网络组）内以及跨各种功能和解剖域的信息。然而，大多数全脑方法假设整个大脑的相互作用具有相似的复杂性。在这里，我们研究了这样一个假设：大脑网络之间的相互作用捕获了不同程度的复杂性，并且我们可以通过根据可用的训练数据改变模型子空间结构的复杂性来更好地捕获这些信息。为此，我们采用了一种基于贝叶斯优化的框架，称为 Tree Parzen 估计器 (TPE)，以识别、利用和分析从大脑的功能性磁共振成像 (fMRI) 子域中提取的时间信息编码的信息的变化模式。通过在精神分裂症分类任务上使用重复交叉验证程序，我们证明了特定功能子域之间的相互作用可以通过更复杂的模型架构更好地表征，而其他子域则需要不太复杂的模型架构来最佳地促进分类和理解大脑的功能相互作用。我们表明，已知与精神分裂症有关的功能子域需要更复杂的架构才能最佳地解开有关该疾病的歧视性信息。我们的研究表明，需要自适应的分层学习框架，以不同方式满足不同子域的特征，不仅是为了更好地预测，也是为了能够识别预测感兴趣结果的特征。
精神分裂症案例
主要关键词
相关文件推荐
