使用可解释AI从fMRI数据中识别自闭症诊断的关键大脑区域:对ABIDE数据集的观察分析

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 目前的自闭症谱系障碍 (ASD) 诊断依赖于主观行为评估,限制了客观识别.
• 使用功能磁共振成像 (fMRI) 的机器学习模型对客观的自闭症诊断有前途,但在准确性和解释性方面面临挑战.
• 目前用于ASD诊断的AI方法往往缺乏神经科学验证和可解释性方法的系统基准测试.

研究的目的:

• 使用fMRI数据开发一个高度准确和可解释的AI模型来对ASD进行分类.
• 在基于fMRI的AI模型中建立一个对解释性方法的基准测试框架.
• 根据现有的神经科学文献验证已识别的ASD生物标志物.

主要方法:

• 使用了自闭症脑成像数据交换I (ABIDE I) 数据集,共884名参与者.
• 在功能连接数据上开发了一个可解释的深度学习管道 (堆叠的SparseAutoencoder与softmax分类器).
• 系统地比较使用Remove And Retrain (ROAR) 和经过验证的生物标志物对神经科学文献的七种解释性方法.

主要成果:

• 头部运动过 (FD>0.2毫米) 将分类准确度提高到98.2% (F1得分:0.97).
• 基于梯度的解释性方法,特别是集成梯度,对于fMRI来说是最可靠的.
• 该模型始终确定视觉处理区域 (卡尔卡林硫,骨) 对于ASD分类至关重要,与神经科学发现保持一致.

结论:

• 开发的AI模型实现了使用fMRI进行ASD分类的最先进的准确性和可解释性.
• 这项研究为评估神经成像中AI解释性方法提供了一个强大的框架.
• 已识别的视觉处理生物标志物表明有潜在的客观ASD诊断,需要进一步的临床转化.