视力变压器和复杂网络分析用于T1结构性MRI中自闭症谱系障碍的分类

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 自闭症谱系障碍 (ASD) 诊断依赖于主观方法,延迟干预.
• 早期诊断ASD对于改善长期结果至关重要.
• 使用神经成像的自动诊断方法可以提高效率和可访问性.

研究的目的:

• 开发和评估一种基于人工智能的方法,用于自动化ASD诊断.
• 为了利用T1加权结构性MRI (sMRI) 扫描来进行ASD分类.
• 为了比较不同AI模型的性能,包括复杂网络分析 (CNA) 和视觉变压器 (ViT).

主要方法:

• 利用来自ABIDE数据库的79名自闭症患者和105名对照者的sMRI数据.
• 使用复杂网络分析 (CNA) 和视觉转换器 (ViT) 开发的功能.
• 训练并评估了每种特征类型的五种模型 (逻辑回归,SVM,GB,KNN,NN) 和使用五重交叉验证的联合模型.

主要成果:

• 联合模型CNA (KNN) -ViT (NN) 显示出高性能,精度为0.951和AUC-ROC为0.980.
• 基于ViT的模型在80%的性能指标中表现优于基于CNA的模型.
• 联合CNA和ViT模型改善了ASD的整体诊断准确性.

结论:

• 人工智能模型,特别是联合CNA (KNN) -ViT (NN),显示自动自闭症诊断的可行性从T1sMRI.
• 拟议的方法为在临床环境中更有效和更容易获得的ASD查提供了潜在的途径.
• 使用smri扫描的自动诊断可以补充传统方法,帮助及时干预.