自闭症诊断的可解释人工智能:利用fMRI数据识别关键脑区
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
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
基于静息态功能磁共振成像 (rs-fMRI) 的深度学习模型被广泛应用于诊断脑疾病,尤其是自闭症谱系障碍 (ASD)。本文提出了一种新颖的可解释的感兴趣区域 (ROI) 选择框架(EAG-RS),通过利用可解释的人工智能技术识别脑区之间的非线性高阶功能关联,并选择具有类别区分能力的脑区进行脑疾病识别。通过使用自闭症脑成像数据库交换(ABIDE)数据集进行实验证实了我们提出方法的有效性,证明其在各种评估指标上优于其他比较方法。此外,我们对选定的感兴趣区域进行定性分析,并鉴别与先前神经科学研究相关的ASD亚型。
Oct, 2023
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
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
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
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。
Jul, 2024
本研究通过开发高级算法分析自闭症患儿和非自闭症患儿日常活动中的面部和身体表情,从而研发了基于深度学习的自闭症检测系统,证明Xception和ResNet50V2等人工智能模型在自闭症诊断方面具有高准确性,凸显了人工智能在自闭症诊断、治疗和全面管理方面的变革潜力。
Jul, 2024
本研究针对自闭症谱系障碍(ASD)缺乏客观诊断生物标志物的问题,提出了一种使用静息态fMRI进行特征缩减的管道。通过去噪变分自编码器(DVAE),成功将超过30,000个功能连接特征压缩到5个潜在高斯分布中,并在多地点数据集上测试了其分类效果,证明该方法在不牺牲预测性能的情况下,显著提升了诊断信息的编码效率。
Sep, 2024