集成多模态与动态连接组预测自闭症谱系水平缺陷的深度-生成混合模型
机器学习
2024-11-25 v2 信号处理
机器学习
摘要
我们提出一种集成深度-生成框架，联合建模来自静息态功能MRI（rs-fMRI）连接组与扩散张量成像（DTI）纤维束成像的互补信息，以提取疾病的预测性生物标志物。我们框架的生成部分是一个结构正则化动态字典学习（sr-DDL）模型，将动态rs-fMRI相关矩阵分解为一组共享基网络与随时间变化的患者特异性载荷。该矩阵分解由DTI纤维束成像矩阵引导，以学习解剖学知情的连接组轮廓。我们框架的深度部分是一个LSTM-ANN模块，其建模患者sr-DDL载荷的时间演化以预测多维临床严重程度。我们的耦合优化过程共同估计基网络、患者特异性动态载荷与神经网络权重。我们在57名诊断为自闭症谱系障碍（ASD）患者的多发分预测任务上验证框架。我们的混合模型在五折交叉验证设定下优于最先进基线，并提取出ASD中脑功能障碍的可解释多模态神经特征。
引用
@article{arxiv.2007.01931,
title = {A Deep-Generative Hybrid Model to Integrate Multimodal and Dynamic Connectivity for Predicting Spectrum-Level Deficits in Autism},
author = {Niharika Shimona D'Souza and Mary Beth Nebel and Deana Crocetti and Nicholas Wymbs and Joshua Robinson and Stewart Mostofsky and Archana Venkataraman},
journal= {arXiv preprint arXiv:2007.01931},
year = {2024}
}