一个功能系统信息图神经网络框架,用于量化ASD中可解释的大脑功能障碍

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 自闭症谱系障碍 (ASD) 诊断依赖于主观评估,缺乏明确的病理理解.
• 大脑连接和功能系统对于理解神经发育障碍至关重要.
• 目前对ASD的诊断方法需要提高准确性和客观性.

研究的目的:

• 开发一个先进的AI框架来诊断ASD使用功能磁共振成像 (fMRI).
• 为了利用大脑连接组拓和功能,提高ASD检测.
• 为了揭示与ASD相关的大脑功能障碍的新见解.

主要方法:

• 提出了一个功能系统信息图形神经网络 (FS-GNN) 框架.
• 集成可学习的位置编码,用于感兴趣的大脑区域 (ROI).
• 纳入大规模的大脑系统作为先验知识,并使用系统驱动的规范化来对ROI进行加权.

主要成果:

• 在ABIDE数据集上,FS-GNN在ASD诊断中实现了75.02%的准确性,73.22%的精度和71.64%的回忆.
• 超越了现有的机器学习和GNN方法.
• 在ROI和系统水平上确定了与已知的ASD生物标志物相一致的脑功能障碍.

结论:

• 通过利用大脑连接组信息,FS-GNN在诊断ASD方面表现出有效性.
• 该框架为准确的ASD诊断提供可解释和可靠的神经模式.
• 这种方法为客观的ASD评估和理解提供了一个有希望的方向.