基于图形注意力网络的ASD识别的新方法

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:

• 早期发现自闭症谱系障碍 (ASD) 对于改善生活质量至关重要.
• 从fMRI数据中使用功能连接 (FC) 识别ASD是具有挑战性的,因为数据异质.
• 目前用于ASD识别的深度学习方法缺乏解释性.

研究的目的:

• 提出一种新的,可解释的深度学习框架,用于使用图形注意力网络识别ASD.
• 解决不同地点的fMRI数据异质性的问题.
• 提高深度学习模型在自闭症诊断中的可解释性.

主要方法:

• 利用图表关注网络,将感兴趣区域 (ROI) 作为节点.
• 从BOLD信号中提取节点特征,使用波形分解,平均值和方差.
• 雇佣了自我注意机制来捕获远程依赖和节点选择聚合,以获得ROI的重要性.

主要成果:

• 与最近的关于自闭症脑成像数据交换数据集中儿童 (12岁以下) 的fMRI数据的研究相比,拟议的框架取得了更好的表现.
• 检测到的ROI重要性与现有研究结果之间有很高的对应性.
• 该模型提供了关于不同大脑区域对ASD预测的贡献的良好解释性.

结论:

• 新型的注意力图基于网络的方法为从fMRI数据中识别ASD提供了一个有希望的,可解释的解决方案.
• 该方法有效地处理数据异质性,并提高诊断准确性.
• 该模型的可解释性有助于理解ASD的神经基础.