通过深度学习检测ASD儿童 fMRI的应用

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 发育神经科学的发展神经科学.

背景情况:

• 早期诊断自闭症谱系障碍 (ASD) 对于及时干预和改善结果至关重要.
• 休息状态功能磁共振成像 (fMRI) 提供了一种非侵入性方法来研究与ASD相关的大脑活动模式.

研究的目的:

• 开发和验证一个深度学习算法,用于使用fMRI数据在儿童群体中早期检测ASD.
• 与现有的计算方法相比,评估拟议的算法的诊断性能.

主要方法:

• 一个卷积神经网络 (CNN) 模型被设计为结合卷积,聚合,批量规范化,脱落和完全连接的层.
• 该模型是从ABIDE I存储库中训练和验证来自儿童受试者的休息状态fMRI数据 (56个有自闭症,70个对照).
• 数据预处理涉及严格的步骤,以产生22,176个2D回声平面成像样本.

主要成果:

• 美国有线电视新闻 (CNN) 模型实现了卓越的诊断指标:99.39%的准确率,98.80%的回忆率,99.85%的精度,99.32%的F1得分.
• 功能地图分析证实了该模型从fMRI数据中分层提取特征的能力.
• 该算法显著优于现有的ASD检测计算方法.

结论:

• 开发的深度学习框架为使用fMRI进行计算机辅助的ASD查提供了一个高度准确和高效的工具.
• 这种方法具有变革性的潜力,可以提高早期ASD诊断,并促进及时,有针对性的干预.
• 进一步的研究可以探索这种人工智能驱动的诊断工具的临床整合.