随着DTI的结构连接和物流回归,ASD的诊断分类得到了改善
Ravi Ratnaik1, Chetan Rakshe1, Manoj Kumar2
1School of Bio-Medical Engineering, Indian Institute of Technology (BHU), Varanasi, Uttar Pradesh, India.
Studies in health technology and informatics
|June 30, 2023
概括
在自闭症谱系障碍 (ASD) 中的结构连接性 (SC) 差异是使用机器学习识别的. 特定的白质道显示出显著的贡献,表明SC变化可能作为ASD的诊断生物标志物.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物标志物发现发现
背景情况:
- 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况.
- 了解ASD的神经基础对于诊断和治疗至关重要.
- 结构连接 (SC) 的改变与ASD有关.
研究的目的:
- 调查ASD和典型发育个体之间的结构连接的差异.
- 通过机器学习来识别潜在的神经成像生物标志物用于ASD诊断.
主要方法:
- 扩散张力成像 (DTI) 数据预处理和将大脑分为48个区域.
- 导出扩散量 (FA,AD,RD,MD,MOA) 和使用欧几里德距离计算SC.
- 使用XGBoost和物流回归模型进行特征选择和分类.
主要成果:
- 使用前20个SC特征实现了ASD诊断的81%的平均10倍交叉验证分类准确性.
- 确定了SC在内部囊前肢 (左) 和上冠状辐射 (右) 之间的显著贡献.
结论:
- 结构连接模式显示出作为ASD诊断的可靠生物标志物的潜力.
- 机器学习方法可以有效地识别与ASD相关的SC差异.
- 对SC的进一步研究可能会提高ASD的诊断准确性和个性化干预措施.
更多相关视频
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.2K
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.0K
