由功能性大脑网络指导的ADHD诊断与领域知识相结合
Chunhong Cao1, Huawei Fu1, Gai Li1
1MOE Key Laboratory of Intelligent Computing and Information Processing, Xiangtan University, Xiangtan, 411100, China.
Computers in biology and medicine
|May 24, 2024
概括
这项研究引入了一个新的框架,用于诊断注意力缺陷/多动障碍 (ADHD) 使用功能性大脑网络 (FBNs) 从fMRI数据. 该方法通过更好地建模大脑活动和整合多式联络数据来提高诊断准确性.
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:
- 功能性磁共振成像 (fMRI) 在注意力缺陷/多动症 (ADHD) 研究中对功能性脑网络 (FBNs) 的建模至关重要.
- 目前基于FBN的方法难以捕捉区域相关性和远距离依赖性 (LDD),影响诊断准确性.
- 有限的样本大小和阶级不平衡阻碍了ADHD诊断模型的性能.
研究的目的:
- 提出一个自动诊断框架,整合建模,多式联接和ADHD的分类.
- 加强代表性FBN的提取,并纳入领域知识,以改进ADHD分类.
- 解决ADHD研究中捕捉动态大脑活动和数据不平衡的局限性.
主要方法:
- 开发了一种基于多头注意力的区域增强模块 (MAREM),以捕捉大脑活动中的区域相关性和LDD.
- 提出了一个多式补充学习模块 (MSLM),将神经成像FBN与表型数据相结合,解决数据稀缺性和不平衡问题.
- 在FBN和域知识 (ADF-FAD) 的指导下,在ADHD-200数据集上实施和测试了一个ADHD自动诊断框架.
主要成果:
- 马雷姆有效地提取适用于建模和分类任务的FBN.
- 集成的ADF-FAD框架实现了高诊断准确率:92.4% (NYU),74.4% (PU) 和80% (KKI).
- 这项研究表明,该框架能够捕获ADHD诊断的关键信息,优于现有方法.
结论:
- 拟议的ADF-FAD框架提供了使用fMRI衍生FBN进行ADHD诊断的强大而准确的方法.
- 整合多式联网数据和先进的注意力机制显著提高了诊断性能,并解决了数据的局限性.
- 这种方法有望帮助临床医生做出更准确的ADHD诊断决策.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
15.7K
12:21Probing the Brain in Autism Using fMRI and Diffusion Tensor Imaging
Published on: September 12, 2011
25.2K
