在患有自闭症谱系障碍的儿童中,诊断与身体健康和灰质体积相关的自闭症严重程度:可解释的机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 发育儿科 发育儿科
• 计算精神病学是一种计算精神病学.

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的身体健康和大脑结构之间的相互作用至关重要.
• 对自闭症严重程度的客观评估可能具有挑战性.

研究的目的:

• 调查身体健康,灰质体积 (GMV) 和ASD儿童自闭症严重程度之间的关系.
• 开发和评估用于诊断自闭症严重程度的机器学习模型,使用身体健康和GMV数据.

主要方法:

• 90名患有自闭症的儿童接受了体能测试,MRI扫描和自闭症严重程度评估.
• 极端梯度增强 (XGB),随机森林 (RF),支持矢量机 (SVM) 和决策树 (DT) 算法用于诊断.
• 通过网格搜索进行超参数调整,使用SHAP分析进行交叉验证和解释.

主要成果:

• 特定大脑区域 (例如,丘脑) 的肌肉力量和GMV与自闭症严重程度相关.
• XGB模型实现了最高的诊断准确率,达到77.9%.
• 在SHAP分析中,肌肉强度和thalamic GMV在XGB模型的预测中的重要性得到了突出强调.

结论:

• 机器学习,特别是XGBoost,在诊断ASD儿童自闭症严重程度方面表现有前途.
• 身体健康和大脑结构 (GMV) 是自闭症严重程度评估的重要指标.
• 这种方法为临床评估和干预计划提供了一个潜在的客观工具.