mGNN-bw:基于偏差随机步行路径聚合的多尺度图形神经网络用于ASD诊断

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 机器学习 机器学习

背景情况:

• 自闭症谱系障碍 (ASD) 诊断通常依赖于神经成像,功能磁共振成像 (fMRI) 显示功能连接的改变.
• 现有的图形神经网络 (GNN) 难以捕捉远程大脑连接和个人变异,这对于ASD分类至关重要.

研究的目的:

• 开发一种先进的GNN模型,mGNN-bw,能够有效地捕捉ASD的远程功能连接和个体大脑网络差异.
• 用神经成像数据提高ASD计算辅助诊断的准确性.

主要方法:

• 提出了一种新型的多尺度图形神经网络 (mGNN-bw),利用有偏见的随机走路和协同优化策略.
• 集成高阶大脑网络 (路径编码/聚合) 与低阶网络 (皮尔森相关) 进行多级特征表示.
• 使用节点聚合得分来指导偏向的随机步行来捕获远程连接.

主要成果:

• 在ABIDE I数据集上取得了卓越的分类性能,用CC200达到74.8%的准确性,用AAL地图集达到73.2%.
• 优于现有的GNN方法在将ASD个体与典型的发展对照区分开来.
• 确定了与自闭症相关的关键大脑区域,包括额叶,胰岛,带膜和,与之前的研究一致.

结论:

• 拟议的mGNN-bw模型通过有效解决捕捉远程连接和个体差异的局限性,在ASD诊断方面取得了重大进展.
• 这种多尺度的方法证明了强大的特征表示,提高了ASD的分类准确性.
• 这些发现支持先进的计算方法的潜力,以更精确地诊断ASD的临床诊断.