Self-supervised Representation Learning for Dynamic Functional Connectivity with Subject-wise and Temporal Contrasts.
- Proposition d'un cadre STCT combinant contraste intra-sujet et temporel pour l'apprentissage de représentations de dFC.
- Le contraste temporel est une dimension clé souvent négligée dans les méthodes antérieures.
- STCT surpasse les approches supervisées et auto-supervisées basées uniquement sur le contraste intra-sujet.
Article proposant une méthode innovante d'apprentissage auto-supervisé pour la dFC avec application directe au TSA. L'abstract montre des résultats prometteurs, mais l'accès limité au texte complet et l'absence de validation externe réduisent le niveau de preuve. Pertinence élevée pour les cliniciens et chercheurs en neuroimagerie du TSA.
Les résultats sont basés sur un seul jeu de données, limitant la généralisabilité. L'étude se concentre sur le TSA ; d'autres troubles devraient être explorés. La complexité computationnelle du modèle peut limiter son adoption en routine clinique.
La connectivité fonctionnelle dynamique (dFC) capture les dynamiques temporelles en IRMf pour mieux caractériser l'activité cérébrale. Une nouvelle architecture STCT (Subject-wise and Temporal Contrastive Transformer) est proposée, intégrant un double contraste : un contraste intra-sujet pour préserver la spécificité inter-individuelle et un contraste temporel pour capturer les dépendances dynamiques. Les évaluations montrent une performance supérieure aux approches supervisées et auto-supervisées classiques pour la prédiction de données démographiques, cognitives et de diagnostic de troubles mentaux. L'analyse d'interprétabilité révèle des patrons de connectivité latéralisés dans la classification du trouble du spectre autistique (TSA), soulignant le potentiel clinique de la méthode.
Proposition d'un cadre STCT combinant contraste intra-sujet et temporel pour l'apprentissage de représentations de dFC. Le contraste temporel est une dimension clé souvent négligée dans les méthodes antérieures. STCT surpasse les approches supervisées et auto-supervisées basées uniquement sur le contraste intra-sujet. Les analyses d'interprétabilité mettent en évidence des patrons de connectivité latéralisés pertinents pour le TSA.
Améliore la précision du diagnostic de TSA via l'analyse de la connectivité fonctionnelle dynamique. Permet d'identifier des biomarqueurs de connectivité latéralisée potentiellement utilisables en clinique. Facilite la prédiction de caractéristiques cognitives et démographiques à partir de l'IRMf.
Modéré