自动自闭症谱系障碍诊断使用来自扩散张量成像和机器学习的图形指标
概括
这项研究开发了一种机器学习模型,使用脑成像数据准确识别自闭症谱系障碍 (ASD). 该模型达到82.34%的准确性,为这种神经发育状况提供了潜在的客观诊断工具.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 诊断依赖于主观行为评估,因为缺乏客观生物标志物.
- 随着ASD全球流行率的增加,需要开发更可靠的诊断方法.
研究的目的:
- 开发一个客观的ASD诊断分类模型,使用先进的神经成像和机器学习.
- 为了确定与ASD相关的特定大脑网络改变.
主要方法:
- 分析了来自ASD和典型发育 (TD) 个体的扩散张量成像 (DTI) 数据.
- 图形理论指标是从DTI数据中得出的结构性大脑网络计算出来的.
- 机器学习模型,包括支持矢量机器 (SVM),被训练进行分类.
主要成果:
- 使用225个图形理论特征,SVM模型实现了82.34%的分类准确度.
- 区分ASD的关键特征包括与环,前冠状辐射和体基因相关的特定指标.
- 这项研究确定了ASD患者大脑结构网络的显著变化.
结论:
- 基于DTI的图形理论指标与机器学习相结合,显示出对客观ASD诊断的希望.
- 这种方法为ASD的神经生物学基础提供了洞察力.
- 这些发现有助于开发ASD客观诊断工具.
