通过大脑网络距离和自适应标签分布学习改进基于fMRI的自闭症严重性识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 发展心理学 发展心理学

背景情况:

• 自闭症谱系障碍 (ASD) 诊断和严重程度评估仍然具有挑战性,因为标签含糊不清和个体变异性.
• 目前基于功能磁共振成像 (fMRI) 的方法来识别自闭症严重程度缺乏令人满意的性能.
• 大脑功能网络 (BFN) 与ASD症状严重程度之间的关系需要进一步调查.

研究的目的:

• 开发一种先进的机器学习框架,用于准确识别自闭症谱系障碍 (ASD) 的严重程度.
• 解决目前基于fMRI的ASD严重性评估方法的局限性.
• 探索BFN特征与ASD症状严重程度之间的关联.

主要方法:

• 提出了一个低级和高级BFN距离 (HBFND) 方法来构建反映ASD严重程度差异的BFN.
• 利用多任务网络来解释ASD沟通和社交技能的个体变化.
• 采用自适应标签分配 (ALD) 技术来训练模型并防止过度安装.

主要成果:

• 与最先进的方法相比,拟议的HBFND-AMLD框架在ASD严重性识别方面表现优越.
• 通过HBFND方法,有效地测量了ASD和健康对照 (HC) 在低级和高级BFN中个体之间的差异.
• 该ALD技术成功地防止了模型过拟合,提高了识别准确度.

结论:

• 开发的HBFND-AMLD框架显示了对ASD严重程度的实际临床诊断的巨大潜力.
• 这种方法通过考虑BFN和ASD的个体差异来提高识别性能.
• 对BFN和ASD严重性的进一步研究可能会导致更精细的诊断工具.