一个基于层次特征提取和多模式深度特征集成的模型,用于自闭症谱系障碍识别
IEEE journal of biomedical and health informatics
|March 3, 2025
概括
这项研究引入了HE-MF框架用于自闭症谱系障碍 (ASD) 预测,通过整合静止状态功能磁共振成像 (rs-fMRI) 和非成像数据,达到95.17%的准确性. 该模型有效地解决了学科异质性,并提高了分类性能.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 诊断是具有挑战性的,因为主体异质性和当前预测模型的局限性.
- 现有的方法往往无法优化整合静止状态功能磁共振成像 (rs-fMRI) 和非成像数据来准确预测ASD.
研究的目的:
- 开发一个新的框架,HE-MF,用于改进自闭症谱系障碍 (ASD) 预测.
- 通过有效利用rs-fMRI和非成像信息来提高分类准确性.
主要方法:
- 该HE-MF框架包括一个层次特征提取模块用于多级特征提取,以及一个多模式深度特征集成模块用于融合rs-fMRI和非成像数据.
- 在深度特征融合过程中,用于动态重量分配的注意力机制.
- 该模型在ABIDE和ADNI数据集上进行了评估.
主要成果:
- 在ABIDE数据集上,HE-MF模型在ASD识别中实现了95.17%的准确性.
- 与现有最先进的方法相比,表现出优越的性能.
- 在ADNI数据集上验证了概括能力.
结论:
- HE-MF框架为ASD预测提供了一种高效和优越的方法.
- 该模型集成多式联运数据和处理异质性的能力显著提高了预测性能.
- 在神经发育障碍的识别中,HE-MF具有很强的临床应用潜力.


