通过神经成像数据进行自闭症谱系障碍的增强检测,使用与修改的VGG-19相结合的堆分类器

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) 是一种神经发育状况,其特点是社会沟通缺陷和重复性行为.
• 早期和准确的ASD诊断对于及时干预和改善结果至关重要.

研究的目的:

• 开发和评估一个可概括的机器学习 (ML) 分类器来预测儿童的自闭症.
• 为了比较各种ML模型的性能,使用神经成像数据进行ASD分类.

主要方法:

• 利用自闭症脑成像数据交换 (ABIDE I和II) 数据集中的结构和功能磁共振成像 (MRI) 数据.
• 测试了多个ML模型,包括支持向量机 (SVM),CatBoost,随机森林 (RF) 和堆分类器,与深层卷积神经网络集成.

主要成果:

• 堆分类器获得了最高的准确性 (81.68%的ABIDE I,81.34%的ABIDE II),在ASD检测方面表现出卓越的性能.
• 集合方法,特别是堆分类器,有效地识别了神经成像数据中的复杂模式.
• 支持矢量机器 (SVM) 在处理高维神经成像数据方面存在局限性,在所有指标上表现不佳.

结论:

• 机器学习,特别是像堆分类器这样的集体方法,显示出通过神经成像提高ASD检测准确性的巨大潜力.
• 这些发现表明基于ML的ASD预测有前途的临床应用,支持早期干预策略.