通过使用多层感知器 (MLP) 的fMRI数据集通过大脑拓来解决自闭症谱系障碍 (ASD)
Jainy Sachdeva1, Riyaansh Mittal1, Jiya Mehta1
1Electrical & Instrumentation Engineering Department, Thapar Institute of Engineering & Technology, Patiala, India.
Psychiatry research. Neuroimaging
|August 6, 2024
概括
通过使用计算机辅助的多层感知器 (MLP) 模型分析fMRI数据,提高了自闭症谱系障碍 (ASD) 的早期识别. 这种方法提高了区分ASD和典型发展 (TD) 个体的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 是一种影响社会互动和沟通的神经发育状况.
- 以往使用大脑网络数据的ASD预测模型的准确性有限.
- 早期识别对于及时干预和支持至关重要.
研究的目的:
- 开发和评估计算机辅助算法,用于早期识别ASD.
- 使用fMRI数据区分ASD和典型发育 (TD) 个体之间的个体.
- 识别关键的大脑网络特征,表明ASD.
主要方法:
- 使用了多层感知子 (MLP) 模型,在fMRI衍生连接矩阵上结合了后勤回归.
- 采用 AND 操作在多个逻辑回归分析中选择统计学上显著的特征.
- 评估各种数据子集的特征重要性和模型性能,以减轻过度拟合.
主要成果:
- 该MLP模型实现了83.57%的精度和0.978.97的AUC.
- 确定了左/右侧尾皮层 (在ASD) 和左/右大脑桃体 (在TD) 中的特定相关性,作为关键的歧视因素.
- MLP分类器的回忆率为82.61%,超过了后勤回归 (72.46%的准确率).
结论:
- 拟议的计算机辅助方法,特别是MLP模型,显示出对准确早期检测ASD的重大前景.
- 功能分析揭示了与ASD和TD个体相关的独特的大脑网络模式.
- 这种方法为ASD分类提供了更可靠的特征重要性估计.
