Exploring connections between psychiatric disorders and neuroimaging data by using deep learning

Burykin, Sergei (author), Demšar, Jure (mentor)

Identifying the brain regions associated with certain cognitive functions and neurological disorders is an important focus of neuroimaging research. With the latest neuroimaging tools, researchers have been able to investigate the neural basis of various psychiatric disorders like never before. But the analytic capabilities of these tools still have to catch up to the magnitude of the intricate and detailed three-dimensional imaging data. With neural networks, and in particular, Graph Convolutional Networks, comes the ability to develop unique and creative ways to analyze the brain as a graph. This paper studies the utilization of Graph Convolutional Networks on neuroimaging datasets to determine the patterns linked to various psychiatric disorders. Graph Convolutional Networks permit the fusion of spatial and relational data by defining brain areas as nodes and using the functional connectivity matrix as the edges. We try to take advantage of structural information which is potentially hidden in functional connectivity matrices by applying Graph Convolutional Networks on the dataset consisting of 636 participants, including 150 diagnosed with bipolar disorder, 119 with schizoaffective disorder, 167 with schizophrenia, and 202 without diagnosis. We trained our models for three tasks: binary and multiclass classification of diagnosis and regression of indicators of psychopathology. The ANN baseline outperformed the GCN: it achieved strong accuracy in the binary task and produced better multiclass discrimination between diagnostic groups. The GCN underperformed relative to the ANN, suggesting that the chosen graph construction and GNN architecture did not capture discriminative signals as effectively. Both models performed poorly on PANSS regression, indicating symptom severity was not well predicted from the used functional connectivity representations.

• Language: English
• Keywords: Deep Learning, Machine Learning, Neuroinformatics
• Work type: Master's thesis/paper
• Typology: 2.09 - Master's Thesis
• Organization: FRI - Faculty of Computer and Information Science
• Year: 2025
• PID: 20.500.12556/RUL-177207
• COBISS.SI-ID: 263009283
• Publication date in RUL: 17.12.2025

Secondary language

• Language: Slovenian
• Title: Preiskovanje povezav med psihiatričnimi motnjami in nevroslikovnimi podatki z uporabo globokega učenja

Abstract

Prepoznavanje možganskih regij, povezanih z določenimi kognitivnimi funkcijami in nevrološkimi motnjami, je pomembno področje raziskav iz področja nevroznanosti. Z najnovejšimi orodji za nevrološko slikanje raziskovalci lahko raziskujejo nevrološke osnove različnih psihiatričnih motenj kot še nikoli prej. Vendar pa analitične zmogljivosti orodij za nevrološko slikanje še vedno ne pojasnijo detajlov skritih v zapletenih in podrobnih tridimenzionalnih slikovnih podatkih. Z nevronskimi mrežami, zlasti z grafovskimi konvolucijskimi mrežami, prihaja možnost razvoja edinstvenih načinov za analiziranje možganov, če so le-ti predstavljeni v obliki grafa. Naša naloga preučuje uporabo grafovskih konvolucijskih mrež na podlagi nevro-slikovnih podatkov, z namenom določanja vzorcev pri raznih pshiatričnih motnjah, povezanih z različnimi psihiatričnimi motnjami. Grafovske konvolucijske mreže omogočajo združevanje prostorskih in relacijskih podatkov z opredelitvijo možganskih področij kot vozlišč, pri čimer lahko matriko funkcionalne povezljivosti uporabimo za speficifkacijo povezav v grafu. Razvite modele smo trenirali in testirali na bogatem naboru podatkov, ki ga sestavlja 636 udeležencev, vključno s 150 z diagnozo bipolarne motnje, 119 s shizoafektivno motnjo, 167 s shizofrenijo in 202 zdravih oziroma brez diagnoze. Naše modele smo evalvirali na treh nalogah: binarno in večrazredno klasifikacijo diagnoz ter regresijo kazalnikov psihopatologije. Osnovna metoda umetnih nevronskih mrež (ANN) je bila boljša od GCN: dosegla je visoko natančnost v binarni nalogi in omogočila boljšo večrazredno razlikovanje med diagnostičnimi skupinami. GCN je bila v primerjavi z ANN slabša, kar kaže na to, da izbrana konstrukcija grafa in arhitektura GNN nista zajeli diskriminativnih signalov tako učinkovito. Oba modela sta se slabo odrezala pri regresiji PANSS, kar kaže, da resnost simptomov ni bila dobro napovedana iz uporabljenih predstavitev funkcionalne povezljivosti.

• Keywords: Globoko Učenje, Strojno Učenje, Nevroinformatika