基于深度学习的特征选择用于检测自闭症谱系障碍
Ibrahim Nafisah1, Nermine Mahmoud2, Ahmed A Ewees3
1Department of Statistics and Operations Research, College of Sciences, King Saud University, Riyadh, Saudi Arabia.
Frontiers in artificial intelligence
|July 10, 2025
概括
这项研究引入了一种新的深度学习方法,用于使用静止状态fMRI数据检测自闭症谱系障碍 (ASD). 该方法实现了高精度,为临床诊断提供了一个有前途的工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 由于症状异质而带来诊断挑战.
- 休息状态功能性MRI (rs-fMRI) 显示了识别ASD神经特征的潜力.
- 目前的神经成像分析面临诸如高维度和噪声等局限性.
研究的目的:
- 开发一种用于ASD检测的新,准确和临床适用的深度学习模型.
- 从rs-fMRI数据中增强特征选择,以改进ASD识别.
- 克服目前基于神经成像的ASD诊断方法的局限性.
主要方法:
- 采用了混合深度学习模型,该模型结合了堆叠稀疏排斥自编码器 (SSDAE) 和多层感知器 (MLP).
- 分析了使用CPAC预处理的ABIDE I数据集中的rs-fMRI数据.
- 优化的徒步旅行优化算法 (HOA) 与动态对立学习 (DOL) 和双吸引器被用于特征选择.
主要成果:
- 拟议的模型实现了0.735.5的平均精度.
- 敏感度记录在0.765和特异性在0.752.
- 性能指标超过了现有的ASD检测最先进的方法.
结论:
- 混合深度学习方法在ASD检测方面表现出显著的有效性.
- 增强的特征选择提高了基于神经成像的ASD诊断模型的准确性.
- 这项研究为开发更精确,更具临床可行性的ASD检测工具提供了有希望的方向.
