使用边缘重量增强图表注意力网络对自闭症谱系障碍的分类,具有休息状态fNIRS信号的多个特征
Jingwen Cai1, Xi Zeng2, Jun Li1
1South China Academy of Advanced Optoelectronics, South China Normal University, Guangzhou, China.
Journal of biophotonics
|August 13, 2025
概括
这项研究引入了一种先进的机器学习模型,用于识别自闭症谱系障碍 (ASD) 使用功能近红外光谱 (fNIRS) 脑成像. 这种新的方法在区分患有自闭症儿童和典型发育的同龄人方面取得了很高的准确性.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 自闭症谱系障碍 (ASD) 诊断可能具有挑战性.
- 像功能近红外光谱 (fNIRS) 这样的非侵入性脑成像技术为客观识别提供了潜在的潜力.
- 机器学习 (ML) 模型可以分析复杂的神经成像数据.
研究的目的:
- 开发和评估一种新的机器学习方法,用于使用静止状态fNIRS数据识别ASD.
- 通过将多个特征纳入模型,提高ASD识别的准确性.
- 将拟议方法的性能与传统的ML和深度学习模型进行比较.
主要方法:
- 利用功能近红外光谱 (fNIRS) 来测量儿童的大脑活动.
- 开发了一个边缘重量增强图表注意力网络 (EWE-GAT) 模型.
- 整合了七个特征:血红蛋白波动,样本和氧化血红蛋白 (HbO) 和脱氧化血红蛋白 (Hb) 的静止状态功能连接 (RSFC).
主要成果:
- EWE-GAT模型在ASD识别方面实现了高分类性能.
- 实现了97.92%的准确性,100%的灵敏度,96.43%的精度和98.08%的F1得分.
- 在精度上表现优于传统的机器学习和卷积神经网络模型.
结论:
- 拟议的EWE-GAT方法显示了使用fNIRS. 进行准确可靠的ASD识别的巨大潜力.
- 这种方法为自闭症诊断中的临床应用提供了一个有希望的非侵入性工具.
- 先进的ML技术与fNIRS相结合,可以提高神经发育障碍的诊断能力.
