May, 2024

结合放射医学和机器学习方法进行客观自闭症诊断：验证白质与自闭症的关联

PDF
TL;DR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。
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

  • 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

  • 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

  • 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

  • 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

  • 机器学习技术对放射学孤立综合征和临床孤立综合征的分类

    研究使用机器学习分类方法和多模式 MRI 数据来鉴别多发性硬化症的最早临床表现（临床隔离综合征和放射学隔离综合征），准确率达到 78%。

    Jan, 2024

  • 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

  • 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

  • 基于深度强化学习的自闭症谱系障碍 fMRI 预测

    本研究使用深度强化学习算法（DRL）与监督深度学习算法（SDL）对小型 fMRI 数据集进行分类，结果表明 DRL 在准确率与泛化能力方面都优于 SDL，且对训练数据具有更高的数据利用率。

    Jun, 2022

  • 自闭症中基于年龄分层的形态连接模式差异：基于 sMRI 和机器学习方法的研究

    通过比较使用形态学特征和形态学连接特征在不同年龄组中对 ASD 进行分类的效果，研究发现 6 至 11 岁年龄组的性能最高，其次是 6 至 18 岁和 11 至 18 岁组，其中 RF 算法在 6 至 11 岁年龄组的 MCF 分类中表现最好，准确率、F1 评分、召回率和精确率分别为 75.8%、83.1%、86% 和 80.4%，这表明形态连接性和年龄相关诊断模型可以有效区分 ASD。

    Aug, 2023