Heterogeneous Graph Representation Learning Framework for Resting-State Functional Connectivity Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Brain functional connectivity analysis is important for understanding brain development and brain disorders. Recent studies have suggested that the variations of functional connectivity among multiple subnetworks are closely related to the development of diseases. However, the existing works failed to sufficiently capture the complex correlation patterns among the subnetworks and ignored the learning of heterogeneous structural information across the subnetworks. To address these issues, we formulate a new paradigm for constructing and analyzing high-order heterogeneous functional brain networks via meta-paths and propose a Heterogeneous Graph representation Learning framework (BrainHGL). Our framework consists of three key aspects: 1) Meta-path encoding for capturing rich heterogeneous topological information, 2) Meta-path interaction for exploiting complex association patterns among subnetworks and 3) Meta-path aggregation for better meta-path fusion. To the best of our knowledge, we are the first to formulate the heterogeneous brain networks for better exploiting the relationship between the subnetwork interactions and the mental disease We evaluate BrainHGL on the private center Nanjing Medical University dataset (center NMU) and the public Autism Brain Imaging Data Exchange (ABIDE) dataset. We demonstrate the effectiveness of the proposed model across various disease classification tasks, including major depression disorder (MDD), bipolar disorder (BD) and autism spectrum disorder (ASD) diagnoses. In addition, our model provides deeper insights into disease interpretability, including the critical brain subnetwork connectivities, brain regions and functional pathways. We also identified disease subtypes consistent with previous neuroscientific studies by our model, which benefits the disease identification performance. The code is available at https://github.com/IntelliDAL/Graph/BrainHGL.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle