MTIF-GNN:一个多模式拓和集成的专注网络用于ASD诊断

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) 诊断在很大程度上依赖于临床和神经科学研究,越来越多地利用多站点功能性MRI (fMRI) 数据.
• 现有的诊断方法面临着多模式数据融合和从fMRI中提取隐性特征的挑战.
• 准确的ASD诊断对于早期干预和有效的治疗策略至关重要.

研究的目的:

• 开发一种先进的诊断工具,用于使用功能性MRI数据进行多部位ASD诊断.
• 通过加强多模式数据融合和隐性特征挖掘,克服当前方法的局限性.
• 引入一种新的方法来整合显式和隐式大脑特征,以提高诊断准确度.

主要方法:

• 提出了一个端到端的多模式拓集成图形神经网络 (MTIF-GNN) 用于ASD诊断.
• 构建了两个互补的人口图表,以提取和整合明确和隐含的特征.
• 整合了一个适应拓更新 (ATU) 模块,用于动态图形结构优化.

主要成果:

• 与现有方法相比,MTIF-GNN方法在ASD诊断中表现出优异的性能.
• 该模型在诊断严重抑郁症 (MDD) 中取得了很好的结果,表明其广泛适用性.
• 通过联合学习优化实现了明确和隐性特征的深度整合.

结论:

• 拟议的MTIF-GNN提供了一种强大而准确的精神疾病诊断方法,特别是ASD.
• 这些发现支持MTIF-GNN在跨疾病大脑功能研究中的潜力.
• 开发的方法为推进精神病诊断和理解大脑功能提供了有效的支持.