Просторово-часове моделювання нейровізуалізаційних даних: від статичної топології до прогнозування динаміки конектому

Abstract

Роботу присвячено переходу від класичних згорткових нейромереж (CNN) до динамічних графових нейронних мереж (Spatio-Temporal GNN) для аналізу та прогнозування еволюції структур головного мозку як складного багатовимірного конектому. Розглянуто проблему обмеження доступу до великих масивів лонгитюдних даних через біоетичні норми (GDPR), яку запропоновано вирішувати за допомогою децентралізованого федеративного навчання (Federated Learning) шляхом передачі лише деперсоналізованих математичних оновлень. Для забезпечення прозорості та інтерпретованості алгоритмів («чорного ящика») застосовуються предиктивні контрафактичні моделі на базі генеративних мереж, що дозволяють наочно візуалізувати майбутні морфологічні зміни для радіологів, формуючи нову парадигму проактивної медицини.