GM-VGG-Net:一种基于灰色物质的深度学习网络,用于自闭症分类.
Ebenezer Daniel1, Anjalie Gulati2, Shraya Saxena3
1Department of Diagnostic Radiology, City of Hope National Medic and Center, Duarte, CA 91010, USA.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
一个新的深度学习模型有效地识别自闭症谱系障碍 (ASD),仅使用脑MRI扫描中的灰质 (GM). 这种VGG-Net方法实现了高精度,为ASD诊断提供了一种新方法.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 自闭症谱系障碍 (ASD) 影响了大约59个人中的1人.
- 目前的ASD诊断方法通常依赖于功能性脑区或多组织AI模型.
- 结构磁共振成像 (MRI) 为改进诊断工具提供了一个潜在的途径.
研究的目的:
- 开发一个高效的深度学习网络来识别ASD.
- 为了利用结构性MRI的全脑灰质 (GM) 组织来诊断ASD.
- 使用VGG-Net架构建立一种新的诊断方法.
主要方法:
- 开发了一个基于VGG的深度学习网络.
- 该网络使用来自正常对照组的132张MRI T1图像和来自ASD患者的140张图像进行训练.
- 数据来源于自闭症脑成像数据交换 (ABIDE) 数据集.
主要成果:
- 深度学习模型实现了97%的培训准确率和96%的验证准确率.
- 该模型在50个时代中表现出有效的性能,没有过度装配.
- 在ASD和对照组之间没有观察到参与者数量或年龄的统计学上显著差异.
结论:
- 这项研究展示了VGG-Net的首次应用,仅使用灰质组织来诊断ASD.
- 这些发现表明,深度学习模型与结构性MRI的潜力可以用于准确的ASD识别.
- 这种方法为ASD诊断提供了一个有希望的,高效的,可能更容易获得的方法.


