Jul, 2023

基于路径签名和孪生自编码器的自闭症早期诊断

PDF
TL;DR针对 2 岁以下儿童的传统的基于交流和行为模式的诊断方法不够可靠，因此我们提出了一种深度学习的方法来提取关键特征从病态的、类不平衡和异质的结构 MR 图像中进行早期的自闭症诊断，该方法通过 Siamese 验证框架扩展稀缺数据，通过无监督压缩器抑制数据不平衡，通过权重约束解决样本异质性，并使用 Path Signature 来纵向解读两个时间点的数据，以此有效的完成了早期自闭症的诊断。
autism spectrum disorderearly diagnosisdeep learningmr imagesneurodevelopmental abnormalities
发现论文，激发创造
  • 基于对比变分自动编码器提取的结构 MRI 特征的儿童孤独症谱系障碍分类

    本文探讨使用对比变分自编码器（CVAE）提取结构磁共振成像（s-MRI）特征进行儿童自闭症谱系障碍（ASD）机器分类的方法，数据来自深圳市儿童医院，使用转移学习策略提高预测精度，并针对不同大脑区域进行了神经解剖解释。

    Jul, 2023

  • 机器学习方法在自闭症谱系障碍的早期诊断中的应用

    利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

    Sep, 2023

  • 基于全身运动跟踪的特征工程和端到端深度学习在自闭症谱系障碍评估中的比较

    评估自闭症谱系障碍的动作学分析方法，比较手工制作特征和端到端模型在虚拟现实环境的有效性，结果显示端到端模型在动作一致性方面表现更好，但手工制作特征在特定任务方面表现出色。

    Nov, 2023

  • 利用机器学习探索自闭症中的言语模式障碍

    通过分析检查者 - 患者对话，本研究提供一种综合方法，用于识别独特的语音模式，并利用机器学习在自闭症谱系障碍 (ASD) 的诊断过程中支持早期检测和个性化治疗规划。

    May, 2024

  • 自闭症检测的概率深度学习方法比较

    研究使用机器学习来加速 ASD 检测和诊断的最新概率方法，着重评估其适用的数据集类型、准确性以及在 ASD 分类中的表现。

    Mar, 2023

  • 基于深度学习的视频自闭症检测

    自闭症谱系障碍 (ASD) 对儿童的生活常常造成困难，因此早期诊断对于正确的治疗和关怀是必要的。为了帮助医疗专业人员早期发现，我们提出了一种分析儿童对感官刺激反应的深度学习模型，旨在捕捉 ASD 和非 ASD 患者之间反应和行为的关键差异。与许多 ASD 分类中的研究不同，我们的数据是由 MRI 数据组成，这需要昂贵的专用 MRI 设备，而我们的方法仅依赖于一台相对较便宜的 GPU、一套不错的计算机配置和一个用于推断的视频摄像机。我们的数据结果表明，我们的模型能够很好地进行泛化并理解患者不同运动之间的关键差异，尽管对于深度学习问题的数据量有限，模型输入上有限的时间信息和因运动而产生的噪音。

    Feb, 2024

  • 预训练即所需：一种基于多重图谱增强 Transformer 框架的自闭症谱系障碍分类方法

    利用多层图形转化神经网络（METAFormer）模型和自主预训练技术对 407 个孤独症谱系障碍（ASD）患者和 476 个对照组（TC）被试的大脑静息态功能磁共振成像数据进行分类，结果表明，该模型在分类准确性和 AUC 得分等方面优于现有技术。

    Jul, 2023

  • 基于结构 MRI 的自闭症谱系障碍分类元数据研究

    本文研究了三类 meta-data 对来自 20 个不同来源的结构性 MRI 数据的自闭症谱系障碍分类预测准确性的影响。

    Jun, 2022

  • 拷贝数变异指导基于 fMRI 的自闭症谱系障碍预测

    针对孤独症谱系障碍（ASD）的多因素发病学认识，本研究提出了一种融合遗传、人口统计和神经影像数据的整合模型，采用基因数据引导对模型预测重要性的神经影像特征进行修饰的注意力机制，进一步提高 ASD 分类和严重程度预测的性能。

    Aug, 2023

  • 通过 INDT-ASD 印度数据库利用机器学习进行早期自闭症检测

    通过使用机器学习开发了一种简便、快速和低成本的方法来识别自闭症，其中支持向量机作为最优模型具有更高的准确率、更高的召回率以及相对于随机森林提高了 2.22％至 6.67％的准确率。

    Apr, 2024