基于循环神经网络的脑有效连接时序建模与因果网络解析

来自国内的研究人员针对功能磁共振成像(fMRI)数据中深层特征提取的难题，创新性地开发了基于循环神经网络的时序到有效连接(TS2EC)预测模型。该研究首次利用电皮层刺激fMRI(es-fMRI)生成有效连接(EC)标签，在23名受试者数据集上取得0.0057的均方误差，显著优于现有方法。实验证实TS2EC在准确率、召回率等指标上均表现优异，为脑功能网络(ECN)分析提供了突破性工具。

　　

有效连接(Effective Connectivity, EC)作为反映脑区间因果影响的关键指标，其网络(ECN)的精准解析对理解脑功能机制及精神疾病影响具有重要意义。针对传统方法在功能磁共振成像(fMRI)时序数据深层特征提取的局限性，这项研究开创性地构建了基于循环神经网络(RNN)的时序到有效连接(TS2EC)预测框架，突破性地实现了不依赖固定模型阶数的深度特征直接提取。

研究团队首次采用电皮层刺激fMRI(es-fMRI)数据生成EC标签，通过23名受试者（数据增强至7,082样本）的真实数据集验证，TS2EC以0.0057的均方误差(MSE)显著超越现有技术。在多元自回归模拟数据和Smith模拟数据集上的对比实验进一步显示，该模型在准确率(accuracy)、召回率(recall)、结构汉明距离(SHD)和F₁-score等核心指标上均展现卓越性能。

这项突破不仅为脑有效连接网络分析提供了全新方法论工具，更开创了es-fMRI在EC研究中的先河应用，对揭示神经精神疾病的病理机制具有重要临床价值。TS2EC模型展现的优越性能，标志着基于深度学习的脑连接解析技术迈入新阶段。