Jul, 2024
MADE-for-ASD：用于诊断自闭症谱系障碍的多模板深度集成网络
MADE-for-ASD: A Multi-Atlas Deep Ensemble Network for Diagnosing Autism
Spectrum Disorder
TL;DR在回应全球对自闭症谱系障碍（ASD）的高效早期诊断的需求方面，本文桥接传统耗时的诊断方法和潜在的自动化解决方案之间的差距。我们提出了一个名为MADE-for-ASD的多重图册深度集成网络，它通过加权的深度集成网络将大脑的功能磁共振成像（fMRI）数据的多个图册集成起来。我们的方法将人口统计信息整合到预测工作流程中，从而提高了ASD诊断的性能，并提供了更全面的患者分析视角。我们在公开可用的ABIDE（Autism Brain Imaging Data Exchange）I数据集上进行实验，该数据集包含来自全球17个不同实验室的静息状态fMRI数据。我们提出的系统在整个数据集上达到了75.20%的准确率，并在特定子集上达到了96.40%。两者都超过了ABIDE I fMRI研究中报道的ASD诊断准确性。具体而言，我们的模型在相同数量的数据上较之前的工作提高了4.4个百分点。该模型在整个数据集上的敏感性为82.90%，特异性为69.70%；在特定子集上的敏感性为91.00%，特异性为99.50%。我们利用F分数确定了ASD诊断中排名前10的感兴趣区域（ROI），例如前海马回和前扣带/腹外侧。该提议的系统有可能为ASD诊断提供更具成本效益、高效且可扩展的策略。代码和评估结果可以在TBA上公开获取。