WS-BiTM:将白优化与Bi-LSTM集成在一起,以加强自闭症谱系障碍诊断

科学领域:

• 神经科学和人工智能 人工智能
• 计算精神病学是一种计算精神病学.

背景情况:

• 自闭症谱系障碍 (ASD) 影响全球超过6200万,需要有效的诊断工具.
• 迟到的ASD诊断阻碍了及时的干预,可能会使症状恶化.
• 目前的诊断方法在速度和准确性方面面临挑战.

研究的目的:

• 为增强自闭症谱系障碍分类引入一种新的AI框架.
• 通过先进的机器学习提高ASD诊断的准确性和效率.
• 在人工智能驱动的诊断模型中解决关键的方法挑战.

主要方法:

• 开发了一种混合模型,将特征选择的白优化 (WSO) 和分类的双向长短期内存 (Bi-LSTM) (WS-BiTM) 结合起来.
• 应用 WSO 来识别自闭症查数据集中的关键特征,优化预测性能.
• 对WS-BiTM模型与基线算法 (NN,CNN,LSTM) 进行了评估,并通过粒子集群优化 (PSO) 验证了特征选择.

主要成果:

• 该WS-BiTM模型实现了高精度:97.6% (幼儿),96.2% (成年人) 和96.4% (儿童).
• 与基线模型相比,在多个ASD数据集中表现出卓越的性能.
• 通过leave-one数据集交叉验证和对对 t 测试证实统计学意义,并进行了详细描述组件贡献的废除研究.

结论:

• WS-BiTM模型显示出作为自闭症谱系障碍分类的强大和准确工具的巨大潜力.
• 这种AI框架为改善早期ASD检测和干预提供了一个有希望的途径.
• 该研究强调了基于WSO的特征选择与Bi-LSTM相结合的有效性,用于复杂的神经发育障碍诊断.