GCN (Graph Convolutional Network) ermöglichte eine nominell höhere Klassifizierungsgenauigkeit im Vergleich zur Support Vector Machine
21.06.2022 Eine in Schizophrenia Bulletin veröffentlichte Studie zeigt, dass ein Graph Convolutional Network (GCN) Ansatz die Klassifizierung von Schizophrenie auf individueller Ebene ermöglicht.
Ein Graph Convolutional Network (GCN) ist ein Ansatz für halb-überwachtes Lernen bei graph-strukturierten Daten. Es basiert auf einer effizienten Variante von neuronalen Faltungsnetzen, die direkt mit Graphen arbeiten.
Du Lei von der Universität Sichuan in Chengdu, China, und Kollegen untersuchten mit GCN topologische Anomalien funktioneller Gehirnnetzwerke bei Schizophrenie anhand von Daten der funktionellen Magnetresonanztomographie im Ruhezustand von 505 Personen mit Schizophrenie und 907 Kontrollpersonen. Für jede Person wurde eine Matrix der funktionellen Konnektivität des gesamten Gehirns extrahiert. Die Leistung der GCN wurde im Vergleich zu einer Support Vector Machine (SVM) untersucht.
Die Forscher fanden heraus, dass GCN im Vergleich zur SVM eine nominell höhere Klassifizierungsgenauigkeit ermöglichte (85,8 gegenüber 80,9 Prozent). Die unterscheidungsfähigsten Hirnregionen befanden sich in einem verteilten Netzwerk, einschließlich striataler Areale (Putamen, Pallidum und Caudatum) und der Amygdala, basierend auf der Saliency Map. Die Knoteneffizienz des bilateralen Putamens und Pallidums unterschied sich signifikant zwischen Patienten und Kontrollen, und in einer Post-hoc-Analyse wurden Korrelationen mit negativen Symptomen festgestellt.
„Diese Ergebnisse unterstützen die Vorstellung, dass die Topologie der striatalen Areale, einschließlich Putamen und Pallidum, ein zentrales neuronales Defizit der Negativsymptomatik bei Schizophrenie darstellen könnte“, schreiben die Autoren.
© Psylex.de – Quellenangabe: Schizophrenia Bulletin, sbac047, https://doi.org/10.1093/schbul/sbac047