تخمین احتمالاتی مدل‌های دینامیکی مخصوص هر بیمار برای نارسایی‌های مغزی

مدل‌های مبتنی بر اتصالات مغزی (vbms) در علوم اعصاب شبکه‌ای برای بررسی علل زمینه‌ای (پاتوفیزیولوژیک) بیماری‌های مغزی متنوع کاربرد دارند. اگرچه تخمین بیزی توزیع پارامترهای مدل‌های مغزی حتی با مدرن‌ترین روش‌های نمونه‌گیری مونت‌کارلو همچنان چالش‌برانگیز است، ادغام داده‌های تصویربرداری مغز افراد با vbms منجر به بهبود پیش‌بینی برای برخی بیماران شده است. vbms دارای مدل‌های فضای غیرخطی نهفته‌اند که تحت تاثیر نویز و ورودی شبکه هدایت می‌شوند و بنابراین برای تخمین دقیق توزیع احتمالاتی پارامترها به تکنیک‌های پیشرفته یادگیری ماشین نیاز است. در این مقاله، ما« استنتاج مبتنی بر شبیه‌سازی» (sbi) در مدل‌های مغز مجازی را معرفی می‌کنیم و نشان می‌دهیم که آموزش شبکه‌های عصبی عمیق بر روی ویژگی های فضایی-زمانی و عملکردی، امکان تخمین دقیق پارامترهای مولد در اختلالات مغزی را فراهم می‌کند. استفاده سیستماتیک از تحریک مغزی، راه‌حلی موثر برای مسئله غیرقابل شناسایی بودن پارامترها در تخمین تخریب اتصالات درون نیمکره‌ای ارائه می‌دهد. با اولویت دادن به ساختار مدل نسبت به داده، ما نشان می‌دهیم که ساختار سلسله‌مراتبی در sbi-vbms استنتاج را موثرتر، دقیق‌تر و از نظر بیولوژیکی قابل قبول‌تر می‌کند. این رویکرد می‌تواند با فعال کردن پیش‌بینی سریع و قابل اعتماد اختلالات مغزی مختص هر بیمار، پزشکی دقیق را به طور گسترده بهبود دهد.

simulation-based inference on dynamical model of patient-specific neurodegenerative disorders

virtual brain models (vbms) in network neuroscience uncover pathophysiological causes of brain diseases and enhance patient-specific predictivity with integrated brain imaging data, despite bayesian estimation challenges. simulation-based inference on virtual brain models (sbi-vbms), utilizing deep neural networks, enables accurate estimation of generative parameters, potentially advancing precision medicine for patient-specific brain disorder prediction.