EAG-RS:一个新的可解释性指导的ROI选择框架,用于通过区域间关系学习来诊断ASD
IEEE transactions on medical imaging
|November 28, 2023
概括
这项研究引入了一种新的深度学习框架,用于使用静止状态功能磁共振成像 (rs-fMRI) 诊断自闭症谱系障碍 (ASD). 该方法通过分析复杂的大脑连接模式和识别关键大脑区域来提高诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 休息状态功能磁共振成像 (rs-fMRI) 对于诊断诸如自闭症谱系障碍 (ASD) 等大脑疾病至关重要.
- 目前使用rs-fMRI功能连接 (FC) 的深度学习模型存在局限性,包括数据不足,缺乏对个体患者的考虑,以及解释能力差.
- 现有的方法通常依赖于线性,低阶FC,无法捕捉复杂的,非线性大脑相互作用.
研究的目的:
- 用 rs-fMRI 来解决目前用于 ASD 诊断的深度学习模型的局限性.
- 提出一个新的可解释性指导的兴趣区域 (ROI) 选择 (EAG-RS) 框架.
- 为了更好地识别ASD,识别非线性,高阶功能关联和阶级歧视性大脑区域.
主要方法:
- 该EAG-RS框架涉及使用随机种子网络掩盖来捕捉非线性大脑相互作用的区域间关系学习.
- 使用可解释的人工智能技术来估计连接智能的相关性得分,探索高阶的功能关系.
- 非线性,高阶FC用于诊断信息化的ROI选择和分类器学习以识别ASD.
主要成果:
- 拟议的EAG-RS框架在自闭症脑成像数据库交换 (ABIDE) 数据集上的现有方法相比表现优越.
- 该方法在各种评估指标中实现了更高的准确性,表明其在ASD识别中的有效性.
- 对选定ROI的定性分析揭示了与已知的ASD亚型的潜在联系,与神经科学发现保持一致.
结论:
- 该EAG-RS框架通过有效利用rs-fMRI的非线性,高阶功能连接性,在诊断ASD方面取得了重大进展.
- 可解释性组件为决策过程提供了洞察力,增强了对模型预测的信任和理解.
- 这种方法有望实现更个性化,更准确的自闭症诊断,并有可能识别不同的患者子组.


