一个轻量级的,端到端可解释的,基于注意力的概括图形神经网络模型,以动态功能连接的高阶时空组织进行训练,以将自闭症从典型的发展中分类

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:

• 自闭症谱系障碍 (ASD) 呈现异质症状,使诊断和治疗复杂化.
• 现有的机器学习模型用于ASD诊断往往缺乏准确性和可解释性.
• 图形神经网络 (GNN) 是有前途的,但需要对临床应用进行改进.

研究的目的:

• 为改进ASD诊断开发一种新的,可解释和通用的GNN模型.
• 为了利用大脑中动态功能连接的高阶时空组织.
• 为了提高诊断精度和了解ASD异质性.

主要方法:

• 提出了一个可解释的,基于节点边缘连接的图表注意力神经网络 (Ex-NEGAT) 模型.
• 使用了自闭症脑成像数据交换I和II数据集 (N=1,500).
• 采用元连接性子类型和粗略的模糊c-means用于子组分析和基于连接组的预测建模.

主要成果:

• 在ASD分类中实现了88%的准确性和0.89的F1得分.
• 确定了与自闭症诊断观察计划 (ADOS) 和完全智能分数 (FIQ) 成绩相关的关键大脑网络.
• 在动态功能连接中揭示了新的高阶时空相关性特征.

结论:

• 前NEGAT模型为ASD诊断提供了一个强大的和可解释的方法.
• 这些发现为ASD异质性提供了关键的见解.
• 这一框架有可能显著提高自闭症谱系障碍的诊断精度.