通过结构性和静止状态功能性MRI图像的混合卷积循环神经网络检测自闭症谱系障碍
Emel Koc1, Habil Kalkan2, Semih Bilgen1
1Istanbul Okan University, Istanbul, Türkiye.
Autism research and treatment
|December 28, 2023
概括
这项研究通过机器学习和神经成像改善了自闭症谱系障碍 (ASD) 诊断. 通过结合结构和功能MRI数据,混合神经网络实现了96%的准确性.
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:
- 自闭症谱系障碍 (ASD) 诊断依赖于行为和认知评估.
- 准确的诊断对于早期干预和有效的治疗至关重要.
- 神经成像提供客观的生物标志物,以了解ASD中的大脑差异.
研究的目的:
- 为了提高自闭症谱系障碍 (ASD) 诊断的准确性.
- 为了利用多种神经成像模式和机器学习进行分类.
- 确定与ASD相关的关键大脑连接特征.
主要方法:
- 利用了来自ABIDE存储库的结构MRI (s-MRI) 和静止状态功能MRI (rs-f-MRI) 数据.
- 应用机器学习算法,包括混合卷积循环神经网络 (CNN/RNN).
- 采用早期,晚期和交叉融合策略来整合多式联络成像数据.
主要成果:
- 混合CNN-RNN模型的表现优于单个CNN或RNN模型.
- 通过融合s-MRI和rs-f-MRI数据,实现了96%的诊断准确性.
- 为ASD分类确定了重要的功能和解剖连接指标.
结论:
- 多模式神经成像与先进的ML相结合,显著提高了ASD诊断的准确性.
- 混合神经网络为客观的ASD诊断提供了一个有希望的方法.
- 与以前的方法相比,这种方法提供了一个更强大的诊断工具.
