基于机器学习的多站点fMRI识别自闭症谱系障碍.
Li Kang1, Mubin Chen1, Jianjun Huang1
1College of Electronics and Information Engineering, Shenzhen University, Shenzhen, China; the Guangdong Key Laboratory of Intelligent Information Processing, Shenzhen, China.
Journal of neuroscience methods
|January 28, 2025
概括
本研究引入了一种机器学习方法,用于使用多站点fMRI数据识别自闭症谱系障碍 (ASD). 该方法通过解决数据异质性来提高诊断准确性,在单站分类中达到高达93%的准确性,在多站分类中达到83.5%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 是一种由社会和行为挑战标志着的神经发育状况.
- 早期诊断ASD对于有效的干预和治疗计划至关重要.
- 由于数据异质性和数量,分析ASD多站点神经成像数据具有挑战性.
研究的目的:
- 提出一种新的机器学习技术,用于多站点自闭症识别.
- 解决数据异质性问题,提高自闭症诊断中的分类准确性.
- 开发一种强大的方法来分析大型的多站点fMRI数据集.
主要方法:
- fMRI数据被转化为玻璃大脑数据集,并使用LeNet5.5提取特征.
- 构建了主体级部分相关性矩阵,随后进行了多站点数据集构建的特征选择.
- 采用了一种新的分割-合并-分割 (SMS) 分区方法,以减少站点间数据的变化,并增强使用MLP进行分类.
主要成果:
- 拟议的方法证明了单站点和多站点数据集的增强识别准确性.
- 最高的单站点分类准确率在OHSU站点达到93%.
- 实现了83.5%的多站点分类准确度.
结论:
- 开发的机器学习方法有效地使用多站点fMRI数据识别自闭症谱系障碍.
- 分解-合并-分割方法成功地减轻了数据异质性,提高了诊断准确度.
- 这种技术为自闭症研究中大规模,多地点的神经成像研究提供了一个有前途的解决方案.
