通过使用GNN-LSTM的动态功能连接来诊断自闭症谱系障碍 (ASD)
Jun Tang1, Jie Chen1, Miaojun Hu2
1School of Educational Sciences, Hunan Normal University, Changsha 410081, China.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
一个新的GNN-LSTM模型通过分析动态大脑连接来增强早期自闭症谱系障碍 (ASD) 检测. 这种方法为计算机辅助的ASD诊断提供了更高的准确性.
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:
- 由于其复杂性和高诊断成本,早期发现自闭症谱系障碍 (ASD) 是至关重要的.
- 静态功能连接研究在ASD检测方面表现有前途,但可能会错过动态大脑网络变异.
- 动态功能连接分析提供了对大脑网络特征的更全面的了解.
研究的目的:
- 开发一种先进的模型,以提高ASD的计算机辅助诊断.
- 通过结合时间动态来克服静态功能连接分析的局限性.
- 增强对ASD中大脑网络变异性的理解.
主要方法:
- 提出了一个创新的GNN-LSTM模型,集成图形神经网络 (GNNs) 和长短期记忆 (LSTM).
- GNNs从fMRI数据中捕获空间特征;LSTM从动态功能连接中汇总时间信息.
- 引入了一个动态图集结方法和一个跳跃连接机制,用于强大的时空特征提取.
主要成果:
- 在ABIDE I数据集上达到80.4%,在ABIDE II数据集上达到79.63%.
- 该GNN-LSTM模型在ASD检测方面表现出显著的有效性.
- 该模型成功地捕获了大脑网络的复杂时空特征.
结论:
- GNN-LSTM模型显示了计算机辅助ASD检测的巨大潜力.
- 动态功能连接分析为理解ASD提供了宝贵的见解.
- 这项研究为ASD研究和诊断提供了新的方法和参考.
更多相关视频
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.2K
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.9K
