ASDの解釈可能な分類のためのfMRI時系列の因果モデリング

科学分野:

• 神経科学
• 人工知能
• 生体医工学

背景:

• 自閉症スペクトラム障害（ASD）は、社会的およびコミュニケーションスキルに影響を与える発達障害であり、より良い結果のためには早期診断が必要です。
• 機能的磁気共鳴画像法（fMRI）は、ASDにおける脳活動の理解に不可欠ですが、従来のモデルは複雑な相互作用に苦労しています。
• 既存の機械学習モデルは相関関係に依存することが多く、ASDの特定に不可欠な非線形関係を捉えられていません。

研究 の 目的:

• fMRIデータを使用したASD分類の改善のための、新しい因果関係に着想を得た深層学習モデルを開発すること。
• より正確なASD検出のために、脳領域間の非線形な因果関係を捉えること。
• ASDのある個人において、因果関係が変化している特定の脳領域を特定すること。

主な方法:

• 関心領域（ROI）間の因果関係を推論するために、時系列fMRIデータを利用する深層学習モデルを実装しました。
• データ品質フィルター（平均FD < 15mm）を適用し、ABIDEデータセットでモデルを検証しました。
• 5分割交差検証を使用して、ベースラインおよび最先端モデルに対するパフォーマンスを比較しました。

主要な成果:

• 提案された因果関係に着想を得たモデルは、最高の分類精度（71.9％）とAUC（75.8％）を達成しました。
• ROI間の因果関係分析により、左楔前部、右楔前部、および小脳がASDにおいて有意に変化していることが特定されました。
• 特定されたこれらのROIは、対照群では上位にランク付けされておらず、ASD特異的な因果ネットワークの変化を示唆しています。

結論:

• 因果関係に着想を得た深層学習モデルは、fMRIを使用したASD診断のための有望なアプローチを提供します。
• 楔前部および小脳におけるROI間の因果関係の変化は、ASDの主要な神経マーカーを表す可能性があります。
• この因果的フレームワークは、自閉症スペクトラム障害における脳ネットワークダイナミクスの理解を深めます。