拷贝数变异指导基于 fMRI 的自闭症谱系障碍预测
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
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
研究使用 R-fMRI 从人们的脑功能区构建个体特定的连通图谱,能够提高自闭症谱系障碍患者的神经心理状态的识别准确率,其数据集可以从多个不同处获取,且所提取的功能脑区明显比参考图谱更具有生物标志物发现的重要性。
Nov, 2016
自闭症谱系障碍是一种典型的大脑发育异常,导致社交技能、交流能力、重复行为和感觉处理方面的障碍。本研究开发了一种以大脑 MRI 白质为重点的计算机辅助诊断模型,采用放射学和机器学习方法,结合多个机器学习模型(如支持向量机、随机森林、逻辑回归和 K 近邻算法)进行自闭症预测,预测准确率均超过 80%。此外,我们还应用卷积神经网络分析分割后的白质图像,实现了 86.84% 的预测准确率,其中支持向量机表现最佳,达到 89.47% 的预测准确率。这些发现不仅突出了模型的效能,还建立了白质异常与自闭症之间的联系。本研究为自闭症的各种诊断模型提供了全面的评估,并引入了一种基于 MRI 白质区域的早期客观自闭症诊断的计算机辅助诊断算法。
May, 2024
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。
Jul, 2023
使用来自 ABIDE I 数据库的结构性磁共振成像(sMRI)数据,评估受试者的状况和不同中心之间的差异,揭示自闭症和正常对照组之间的结构性脑区别的局限性。
Apr, 2024
使用功能性磁共振成像 (fMRI) 构建大脑功能连通图能够帮助理解和诊断自闭症谱系障碍 (ASD) 的特点,进而提高治疗效果。提出了一种层次化的局部 - 全局 Transformer 架构 Com-BrainTF,能够学习到考虑社群内外关联的节点表示,并在 ASD 预测任务中取得比最先进架构更好的性能,拥有高可解释性。
Jun, 2023
研究利用多模态数据开发和分析新的生物标志物来帮助预测老年痴呆症的发展和进展,MRI 数据反映大脑的解剖学变化,而遗传数据可以在症状发作前检测 DAT 进展的风险,综合多模态数据的信息可以提高预测表现。
Mar, 2022