机构名称：
¥ 1.0
我们感谢 Lockhart 等人的关注（1），也感谢编辑们给我们机会阐明我们研究的关键方面（2）。我们的研究取得了重要进展：1）我们通过在多个成像会话中进行严格的交叉验证，在主要人类连接组计划 (HCP) 队列中实现了极高的分类准确率 (>90%)，优于之前的研究。2）我们将仅基于 HCP 数据训练的模型应用于两个独立队列而无需再训练，证明了前所未有的普遍性 (~ 82%)。3）可解释人工智能 (XAI) 得出的大脑特征能够可靠地预测特定于性别的认知特征。我们的研究结果为人类大脑功能组织存在性别差异的证据越来越多地作出了贡献（3 – 7）。更广泛地说，我们的创新方法有望用于识别复杂神经精神疾病的生物标志物，凸显了我们的工作除了性别差异研究之外的更广泛影响。下面，我们将针对 Lockhart 等人提出的具体意见进行回应：关于样本外验证，我们在 HCP 队列中采用了最先进的交叉验证技术，并通过在两个独立队列上测试我们的模型进行了严格的样本外验证。这种前所未有的方法为我们的发现的普遍性提供了强有力的证据。对 t 分布随机邻域嵌入图的批评误解了它们的目的。这些可视化揭示了我们的深度神经网络模型学习到的判别特征的低维表示，而不是为了造成分离。清晰的聚类与我们的定量分类结果一致，但并未决定它们。我们尊重地不同意我们使用“脑指纹”具有误导性。我们的 XAI 分析揭示了独特的个体水平大脑模式，可以可靠地跨会话识别个体，其功能类似于生物指纹。正如我们之前的研究（8、9）所示，这些指纹还可以预测行为和临床症状的个体差异，强调它们的功能相关性。对我们的 XAI 方法的批评可能反映了对 AI 可解释性的误解
回复 Lockhart 等人。
主要关键词
相关文件推荐
