Mar, 2024

超图门控注意力的 ASD 分类以及可学习的超边

PDF
TL;DR自闭症谱系障碍的神经发育状况，针对其多样化的症状认知挑战和重复行为模式，本研究提出了一种基于神经影像的可靠生物标志物识别方法 ——HyperGALE，通过引入学习的超边和门控注意机制，该方法在解释复杂的脑图数据方面取得了显著改进，深入洞察了自闭症谱系障碍标志物的特征，通过对大规模 ABIDE II 数据集的评估，HyperGALE 不仅提高了解释性能，还显著提升了与先前基线和基础超图模型相比的关键性能指标。HyperGALE 在自闭症研究中的进展，凸显了图形技术在神经发育研究中的潜力。
autism spectrum disorderbrain imaging-based biomarkershypergaleinterpretabilitygraph-based techniques
发现论文，激发创造
  • 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

  • 自闭症谱系障碍分类的图卷积神经网络引导

    通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

    Apr, 2017

  • HDGL：一种用于脑疾病分类的层次动态图表示学习模型

    我们提出了一种分层动态图表示学习模型 (HDGL)，该模型可以构建大脑网络图，并学习它们的空间和时间嵌入，并在嵌入学习后形成人群图并进行分类。通过在 ABIDE 和 ADHD-200 数据集上评估该模型的性能，结果显示在多种评估指标上相较于其他最先进的模型，该模型有所改善。

    Nov, 2023

  • 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

  • Hyper-SAGNN: 一种基于自注意力的超图神经网络

    本文介绍了一种新的基于自注意力机制的图神经网络 Hyper-SAGNN，可用于不同类型的超图及其不同的学习任务，包括各种基准网络数据集以及基因组学中的单细胞 Hi-C 数据集。该模型在传统任务上优于现有模型，在新任务 “outsider identification” 上表现优异。

    Nov, 2019

  • 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

  • 提高 ASD 检测准确性：结合自然语言处理的机器学习和深度学习模型的综合方法

    利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对 ASD 诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测 ASD，达到了 88% 的高准确率。

    Mar, 2024

  • Seq-HyGAN: 基于超图注意力网络的序列分类

    提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战，并使用两级注意机制生成序列表示为超边，同时学习每个序列的关键子序列。实验结果表明，Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。

    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

  • iPAL：面向智能医疗的机器学习框架，用于自动诊断注意缺陷 / 多动障碍（ADHD）

    该研究使用机器学习和神经科学方法，基于 ADHD200 数据集进行多分类和二分类诊断生物标记，使用基于 MRI 数据的功能连接和表型数据的两个分类器通过集成技术实现了二分类的准确诊断，准确率达到 92.5%。

    Feb, 2023