跨模式的隐私保护综合和专家组合组合,以实现可靠的ASD预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 自闭症谱系障碍 (ASD) 诊断受到有限的多式联络数据集和数据隐私问题的挑战.
• 目前的诊断方法资源密集,依赖于单模式或非适应性学习.
• 大规模,保护隐私的多式联运数据对于推进自闭症研究和诊断至关重要.

研究的目的:

• 介绍AutismSynthGen,这是一个用于合成多式联络ASD数据的新型隐私保护框架.
• 使用生成的合成数据,提高自闭症谱系障碍预测的准确性.
• 解决ASD研究中数据可访问性和隐私方面的局限性.

主要方法:

• 多模式自闭症数据合成网络 (MADSN) 使用变压器编码器和条件GAN中的交叉模式注意力生成合成多模式数据 (MRI,EEG,行为,严重程度得分).
• 使用DP-SGD (ε ≤ 1.0) 强制执行差异隐私.
• 一个适应式多模组合学习 (AMEL) 模块,与异质专家和一个门网,是训练真实和合成数据.

主要成果:

• 合成数据增强改善了模型性能,验证时AUC增益≥0.04.
• 在真实数据上,AMEL模块实现了高性能 (AUC=0.98,F1=0.99) 和在合成数据上实现了近乎完美的性能 (AUC≈1.00,F1≈1.00).
• 分布指标 (MMD=0.04,KS=0.03) 和BLEU评分 (0.70) 证实了真实和合成样本之间的高保真性.

结论:

• AutismSynthGen提供了一个可扩展的,符合隐私的方法,用于增强多式联络ASD数据集.
• 该框架提高了ASD预测的准确性,为研究人员和临床医生提供了宝贵的工具.
• 未来的工作包括探索半监督学习,可解释的人工智能和联合学习,以获得更广泛的,保护隐私的可访问性.