架构配置、图谱粒度与孤独症谱系障碍中具有诊断价值的功能连接
机器学习
2020-05-26 v2 神经元与认知
机器学习
摘要
目前，孤独症谱系障碍（ASD）的诊断依赖于临床专家对行为测试的主观、耗时评估。非侵入式功能磁共振成像（fMRI）可刻画脑连接，并可用于辅助诊断与医疗普惠。然而，从 fMRI 成功构建深度学习模型需要解决关于模型架构的关键选择，包括层数及每层神经元数。同时，从 fMRI 导出功能连接（FC）特征需选择具有适当粒度的图谱。模型构建后，确定哪些特征可预测 ASD，以及跨图谱粒度水平是否学到相似特征至关重要。为识别适配的架构配置，我们比较了高性能与低性能模型配置的概率分布。为确定图谱粒度的影响，从 3 个粒度水平的图谱导出连接特征，并以置换特征重要性对重要特征排序。结果显示性能最高的模型使用 2-4 个隐藏层及每层 16-64 个神经元（依粒度而定）。在所有 3 个图谱粒度水平均被识别为重要的连接特征包括到辅助运动回及语言联络皮层的 FC，这些区域与 ASD 的社会和感觉处理缺陷相关。重要的是，常未被纳入功能分析的 cerebellum（小脑）亦被识别为连接异常对 ASD 极具预测性的区域。本研究结果确定了未来 ASD 研究中应包含的重要区域，有助于网络架构的选择，并有助于确定适当粒度水平以促进准确 ASD 诊断模型的开发。
引用
@article{arxiv.1911.11024,
title = {Architectural configurations, atlas granularity and functional connectivity with diagnostic value in Autism Spectrum Disorder},
author = {Cooper J. Mellema and Alex Treacher and Kevin P. Nguyen and Albert Montillo},
journal= {arXiv preprint arXiv:1911.11024},
year = {2020}
}
备注
Presented at ISBI 2020