自闭症谱系障碍的多站点分类使用空间受限的ICA在静止状态fMRI网络上

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 自闭症谱系障碍 (ASD) 影响全球约1%的儿童,其特点是社会沟通差异和重复行为.
• 功能磁共振成像 (fMRI) 揭示了ASD中大脑连接的改变,但由于疾病异质性和数据变异性,分类具有挑战性.
• 使用来自自闭症脑成像数据交换 (ABIDE I和II) 的大型多站点静止状态fMRI (rs-fMRI) 数据.

研究的目的:

• 使用基于网络的机器学习方法从健康对照组分类自闭症谱系障碍 (ASD).
• 识别可靠的功能性大脑网络特征,用于在各种数据集中对ASD进行分类.
• 评估独立组件分析 (ICA) 和ComBat协调在多地点神经成像研究中的有效性.

主要方法:

• 空间约束参考ICA用于从rs-fMRI数据中识别功能性大脑网络.
• 使用ComBat协调来纠正11个独立数据集的特定站点变异性.
• 支持矢量机器 (SVM) 根据默认模式网络 (DMN),传感器网络 (SMN) 和视觉感官网络 (VSN) 的特征对参与者进行了分类.

主要成果:

• 对于ASD与对照来说,实现了高分类准确性.
• 视觉感官网络 (VSN) 显示了最高的准确度 (83.23%) 和AUC (87.90%).
• 默认模式网络 (DMN) 和传感器网络 (SMN) 也表现出强的性能 (分别准确率为81.43%和80.52%).

结论:

• 将基于ICA的特征提取与ComBat协调相结合,大大提高了ASD分类的准确性.
• 基于网络的方法显示出使用多站点神经成像数据进行 robust ASD 分类的潜力.
• 识别可复制的网络级特征对于推进ASD研究和诊断至关重要.