在ASD诊断中探索隐含的生物学异质性,使用多头注意力图神经网络
Hyung-Jun Moon1, Sung-Bae Cho2
1Department of Artificial Intelligence, Yonsei University, 03722 Seoul, Republic of Korea.
Journal of integrative neuroscience
|July 31, 2024
概括
这项研究引入了一种新的深度学习方法,使用多头注意力来分析自闭症谱系障碍 (ASD) 中的大脑功能连接 (FC). 该方法通过捕获详细的连接模式来提高诊断准确性,优于现有方法.
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:
- 自闭症谱系障碍 (ASD) 呈现异质特征,受性别和年龄的影响,目前的功能连接 (FC) 图形深度学习模型缺乏专门的区域分析.
- 专注于概括模式的现有方法未能捕捉到复杂的,可变的大脑连接对于准确的ASD诊断至关重要.
研究的目的:
- 开发一种新的深度学习方法,用于模拟多头注意力的FC,以克服分析与ASD相关的大脑连接的局限性.
- 通过提取大脑连接中的异常模式,准确评估疾病征兆,考虑特定区域的相关性和短暂的时间点.
主要方法:
- 提出了一种深度学习方法,该方法模拟功能连接 (FC) 使用多头注意力来捕捉复杂和可变的模式.
- 将FC数据转换为带有加权边缘标签的图形,由能够处理边缘标签的图形神经网络处理.
- 使用自闭症脑成像数据交换 (ABIDE) I和II数据集进行模型验证.
主要成果:
- 这种新方法在ABIDE数据集上表现出比最先进的技术更优异的性能,诊断准确度提高了3.7%.
- 通过分析FC,多头注意力显著提高了典型和ASD大脑之间的差异化.
- 废除研究证实了该方法在ASD患者中验证不同年龄和性别的不同大脑特征的能力.
结论:
- 提出的深度学习方法有效地提高了ASD的诊断准确性.
- 这种方法在推进神经学研究和改善自闭症诊断方面具有重大潜力.


