多站点rs-fMRI域调整自闭症谱系障碍辅助诊断基于超标空间的辅助诊断

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学数据科学 生物医学数据科学

背景情况:

• 自闭症谱系障碍 (ASD) 诊断受益于使用静止状态功能磁共振成像 (rs-fMRI) 数据的辅助算法.
• rs-fMRI数据显示出显著的异质性和跨站点的域转移,限制了诊断准确性.
• 现有的多源域适应ASD模型缺乏可解释性,并且不利用神经生物学网络结构.

研究的目的:

• 开发一个域自适应算法,以使用超标空间嵌入改进ASD识别.
• 在多站点 rs-fMRI 数据集中解决数据异质性和域移动问题.
• 通过结合功能大脑网络的等级结构来提高模型的解释性.

主要方法:

• 大脑的功能网络被嵌入到超标空间中,以提取潜在的表征.
• 一个超标最大平均差异 (HMMD) 损失函数被用来调整超标空间中的边际分布.
• 使用类原型对齐来缓解跨域条件分布中的差异.

主要成果:

• 与基线模型相比,拟议的算法实现了ASD的优异分类性能.
• 该方法证明了对多站点数据异质性的稳定性提高,平均准确性提高了4.03%.
• 一般化能力在重大抑郁症 (MDD) 数据集上得到了验证.

结论:

• 超标空间嵌入算法有效地解决了ASD诊断的多站点rs-fMRI数据中的挑战.
• 该方法在辅助诊断模型中提供了更高的准确性,稳定性和可解释性.
• 这种方法在基于神经成像的疾病分类中显示出更广泛应用的前景.