多模式图形卷积网络基于自闭症谱系障碍的识别
Wenhao Zhou1,2, Mingxiang Sun3, Xiaowen Xu4,5
1College of Mathematics and Statistics, Chongqing Jiaotong University, Chongqing 400074, China.
Cerebral cortex (New York, N.Y. : 1991)
|March 18, 2024
概括
早期自闭症谱系障碍 (ASD) 诊断使用一种新的多模式图形卷积网络 (MPGCN) 进行了改进,该网络从静止状态fMRI数据分析功能性大脑网络,实现高诊断精度.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 发育神经科学的发展神经科学.
背景情况:
- 休息状态fMRI (rs-fMRI) 通过分析功能性大脑网络 (FBNs) 来帮助早期自闭症谱系障碍 (ASD) 诊断.
- 图形卷积网络 (GCN) 为ASD识别提供从FBN中自动提取特征.
- 之前的GCN方法专注于单个连接模式,通过不使用补充信息来限制诊断性能.
研究的目的:
- 引入一个多模式图形卷积网络 (MPGCN) 以提高ASD诊断.
- 集成多个FBN连接模式,以提高诊断准确度.
- 在ASD识别中克服单个模式GCNs的局限性.
主要方法:
- 开发并实施了一种新的MPGCN模型,其中包含多个图形卷积模块.
- 在GCN框架内集成多种FBN连接模式.
- 利用自闭症脑成像数据交换 (ABIDE) 数据库中的92名受试者的rs-fMRI数据.
主要成果:
- 该MPGCN模型实现了91.1%的诊断准确度.
- 该模型得到的ROC曲线下的面积 (AUC) 得分为0.9742.
- 与之前的单模式 GCN 方法相比,表现出优异的性能.
结论:
- 拟议的MPGCN有效地整合了多个FBN连接模式,以准确诊断ASD.
- MPGCN代表了利用rs-fMRI数据用于早期ASD识别的重大进展.
- 这些发现表明MPGCN在诊断自闭症谱系障碍方面具有临床应用的潜力.


