诊断自闭症谱系障碍儿童使用基于T1的灰质和动脉旋转标记的基于脑血流网络指标的脑血流网络指标
Mingyang Liu1, Weibo Yu1, Dandan Xu2
1School of Electrical and Electronic Engineering, Changchun University of Technology, Changchun, China.
Frontiers in neuroscience
|May 2, 2024
概括
这项研究引入了使用脑成像和机器学习诊断自闭症谱系障碍 (ASD) 的客观方法,达到84.91%的准确性. 它确定了用于改进ASD诊断和干预的关键大脑网络特征.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 诊断依赖于主观行为评估.
- 缺少ASD的客观生物标志物,阻碍了准确和及时的诊断.
研究的目的:
- 开发一种新的,客观的ASD诊断方法.
- 识别基于神经成像的生物标志物,以区分自闭症与典型发展的个体.
主要方法:
- 利用T1加权的MRI测量灰色质量指标和ASL测量脑血流量.
- 提取大脑网络特征,并应用统计测试 (t测试,mRMR) 进行特征选择.
- 构建了一个随机向量功能链接网络机器学习模型用于分类.
主要成果:
- 在将自闭症与典型发育个体区分开来时,获得了84.91%的分类准确度.
- 在下额前和上尾中确定了重要的网络特征.
- 突出区域对于ASD中社会和执行职能至关重要.
结论:
- 提出的方法为ASD诊断提供了一个客观和有效的方法.
- 确定的大脑网络特征为ASD神经生物学提供了洞察力.
- 基于客观生物标志物的更有针对性的干预措施的潜力.
