可解释卷积神经网络用于在使用结构磁共振成像数据集的儿童中支持自闭症诊断

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 发育神经科学的发展神经科学.

背景情况:

• 自闭症谱系障碍 (ASD) 是一种常见的神经发育状况,具有多种症状,使得早期诊断具有挑战性.
• 准确和早期诊断自闭症对于及时干预和改善结果至关重要.
• 目前的诊断方法面临挑战,因为症状的变化和儿童的发育变化.

研究的目的:

• 评估可解释的深度学习 (DL) 模型的可行性,利用结构性MRI (sMRI) 诊断儿童自闭症.
• 通过模型可解释性识别与自闭症相关的重要大脑生物标志物.
• 为了支持儿童群体中自闭症的早期和准确诊断.

主要方法:

• 来自自自闭症脑成像数据交换的452名儿童 (9-11岁) 的T1加权sMRI扫描被分析.
• 开发了一个DL模型来区分自闭症和典型发育的儿童.
• 使用突出性地图评估模型的可解释性,并将性能与传统的机器学习模型进行比较.

主要成果:

• DL模型实现了收音机运行曲线下的平均面积为71.2%.
• Saliency 地图识别了已知的与自闭症相关的神经解剖学和功能生物标志物,包括骨,骨,心室,舌头和状叶片,尾状叶片和垂体.
• 该模型展示了突出突出关键大脑区域的能力,这些区域有助于分类.

结论:

• 在sMRI数据上训练的可解释DL模型在帮助特定儿科年龄组的自闭症诊断方面显示出希望.
• 这些发现推动了可解释AI在神经发育研究中的应用.
• 这种方法可能有助于改善自闭症和其他神经发育障碍的临床决策.