ASD 中形态连接模式的年龄分层差异：一种 sMRI 与机器学习方法
图像与视频处理
2023-08-16 v1 机器学习
神经元与认知
摘要
目的：年龄偏倚已被确定为 ASD 诊断中的一个重要因素。本研究旨在比较不同年龄段使用形态学特征(MF)与形态连接特征(MCF)对 ASD 进行分类的效果。方法：本研究的结构磁共振成像(sMRI)数据来自两个公开数据库 ABIDE-I 与 ABIDE-II。我们分析考虑了三个年龄组：6 至 11 岁、11 至 18 岁以及 6 至 18 岁。sMRI 数据使用标准流程进行预处理，并根据 Destrieux 图谱划分为 148 个不同区域。随后提取每个区域的面积、厚度、体积和平均曲率信息，用于为每位受试者构建共 592 个 MF 与 10,878 个 MCF。使用统计 t 检验(p<0.05)识别显著特征，并用于训练随机森林(RF)分类器。结果：我们的研究结果表明，在 MF 与 MCF 下，6 至 11 岁年龄组的性能最高，其次为 6 至 18 岁与 11 至 18 岁组。总体而言，6 至 11 岁组中结合 RF 的 MCF 分类表现优于其他组，准确率为 75.8%、F1 分数为 83.1%、召回率为 86%、精确率为 80.4%。结论：我们的研究由此表明，形态连接与年龄相关的诊断模型可作为一种有效的 ASD 判别方法。
引用
@article{arxiv.2308.07356,
title = {Age-Stratified Differences in Morphological Connectivity Patterns in ASD: An sMRI and Machine Learning Approach},
author = {Gokul Manoj and Sandeep Singh Sengar and Jac Fredo Agastinose Ronickom},
journal= {arXiv preprint arXiv:2308.07356},
year = {2023}
}
备注
10 pages, 4 figures, 3 tables