适应性转移学习框架用于多模式自闭症谱系障碍诊断

科学领域:

• 神经科学是一个神经科学.
• 遗传学 遗传学 是一个
• 医疗成像医学成像

背景情况:

• 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况,具有多样化的特征.
• 由于其异质性和单模方法的局限性,早期ASD诊断具有挑战性.

研究的目的:

• 引入一种自适应的多式融合框架,用于整合行为,遗传和结构MRI (sMRI) 数据,以改善ASD诊断.
• 通过捕捉跨模态依赖,克服单模态诊断方法的局限性.

主要方法:

• 使用带有堆叠和注意力机制的集合分类器进行行为数据分析.
• 通过渐变增强进行遗传数据分析.
• 结构性MRI (sMRI) 分析采用混合卷积神经网络-图形神经网络 (混合-CNN-GNN).
• 使用多层感知器 (MLP) 集成模式的自适应晚期融合策略.

主要成果:

• 个体模式的准确性:行为 (95.5%),遗传 (86.6%),sMRI (96.32%).
• 综合多式联运框架实现了98.7%的卓越诊断准确度.
• 拟议的框架在异质数据集中表现出强烈的概括性.

结论:

• 适应式多式联接融合框架为可靠的ASD诊断提供了一个有希望的方法.
• 这种综合模型有效地解决了单模式诊断策略的局限性.
• 这项研究强调了将各种数据类型结合起来,提高神经发育障碍诊断的潜力.