ADBrainNet:一个深度神经网络用于自闭症谱系障碍 (ASD) 和注意力缺陷和多动性障碍 (ADHD) 的分类,使用基于可解释的人工智能的休息状态fMRI图像
Xinyao Yi1, Jian Huang2,3,4, Babatunde Akinwunmi5
1Department of Infectious Diseases and Public Health, Jockey Club College of Veterinary Medicine and Life Sciences, City University of Hong Kong, Hong Kong SAR, China.
一个新的深度神经网络,ADBrainNet,使用脑成像有效地区分自闭症谱系障碍 (ASD) 和注意力缺陷和多动性障碍 (ADHD) 亚型. 这种可解释的人工智能模型显示了改善精神疾病评估的前景.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 自闭症谱系障碍 (ASD) 和注意力缺陷和多动性障碍 (ADHD) 是常见的儿童精神疾病.
- 在区分ASD和ADHD亚型方面,诊断挑战和错误分类很普遍.
- 休息状态功能磁共振成像 (fMRI) 提供了基于神经成像的客观评估的潜力.
研究的目的:
- 开发和评估ADBrainNet,一个轻量级的深度神经网络,用于分类神经类型个体,ASD和ADHD亚型 (组合,多动/冲动,不注意).
- 通过使用fMRI数据,将ADBrainNet的性能与已建立的ImageNet转移学习模型进行比较.
- 利用可解释的人工智能 (LIME) 来解释ADBrainNet的决策过程并确定关键的神经成像特征.
主要方法:
- 利用来自ABIDE和ADHD-200数据集的静止状态fMRI数据.
- 训练并验证了ADBrainNet,一种新的深度神经网络架构.
- 通过使用五倍交叉验证将ADBrainNet与AlexNet,MobileNet,ResNet18和Xception进行比较.
- 应用LIME算法来实现模型的可解释性.
主要成果:
- 与基准模型相比,ADBrainNet在独立的外部测试集上取得了更高的分类性能.
- 对于ADBrainNet的平均准确度,精度,回忆和F1分数分别为61.87%,65.72%,61.87%和62.50%.
- LIME分析发现了重要的神经成像特征,这些特征有助于ADBrainNet的分类决策.
结论:
- ADBrainNet提供了一个可解释的计算框架,用于基于神经成像的ASD和ADHD亚型的分类.
- 该模型表明,它有助于评估,分层和管理精神疾病的潜力.
- 需要进一步验证和与临床性能进行比较,以探索其临床实用性.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
05:32Comparing Eye-tracking Data of Children with High-functioning ASD, Comorbid ADHD, and of a Control Watching Social Videos
Published on: December 7, 2018
相关概念视频
Attention-Deficit/Hyperactivity Disorder
Diagnostic Criteria and Symptoms
To diagnose ADHD, symptoms must manifest before age 12 and be evident across multiple settings....
Autism Spectrum Disorder
These core symptoms manifest differently among individuals, ranging from mild to severe. The disorder's complexity extends beyond its clinical presentation, encompassing a diverse range of biological, cognitive, and sociocultural influences.
