对于可解释的自闭症谱系障碍分类的FMRI时间序列的因果建模.

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 自闭症谱系障碍 (ASD) 是一种影响社会和沟通技能的发育障碍,需要早期诊断才能获得更好的结果.
• 功能磁共振成像 (fMRI) 对于理解自闭症患者的大脑活动至关重要,但传统模型难以处理复杂的相互作用.
• 现有的机器学习模型通常依赖于相关性,未能捕捉到对ASD识别至关重要的非线性关系.

研究的目的:

• 开发一种新的因果关系启发的深度学习模型,以使用fMRI数据改进ASD分类.
• 为了捕捉大脑区域之间的非线性因果相互作用,以便更准确地检测ASD.
• 确定特定的大脑区域,在患有ASD的个体中表现出改变因果关系.

主要方法:

• 实施了使用时间序列fMRI数据的深度学习模型,以推断兴趣区域 (ROI) 之间的因果关系.
• 在ABIDE数据集上验证模型,应用数据质量过器 (平均FD<15mm).
• 使用5倍交叉验证对基线和最先进模型进行性能比较.

主要成果:

• 提出的因果关系启发型模型实现了最高的分类准确度 (71.9%) 和AUC (75.8%).
• 间ROI因果分析确定左前,右前和小脑在ASD中显著改变.
• 这些确定的ROI在对照组中没有排名第一,这表明ASD特定的因果网络变化.

结论:

• 以因果关系为灵感的深度学习模型为使用fMRI进行ASD诊断提供了一个有希望的方法.
• 在前和小脑中改变的ROI间因果关系可能代表ASD的关键神经标志物.
• 这种因果框架增强了对自闭症谱系障碍中大脑网络动态的理解.