ASD-DiagNet：一种利用fMRI数据检测自闭症谱系障碍的混合学习方法
机器学习
2019-04-17 v1 图像与视频处理
机器学习
摘要
自闭症谱系障碍（ASD）等精神障碍是异质性障碍， notoriously难以诊断，尤其在儿童中。当前精神科诊断流程纯粹基于症状学的行为观察（DSM-5/ICD-10），并可能因误诊而导致药物过度处方。为使该领域迈向更定量化的方向，我们需要先进且可扩展的机器学习基础设施，以识别精神障碍的可靠生物标志物。本文提出一种称为ASD-DiagNet的框架，仅使用fMRI数据对ASD受试者与健康受试者进行分类。我们设计并实现了一种使用自编码器和单层感知机的联合学习过程，从而提升了提取特征的质量并优化了模型参数。此外，我们设计并实现了一种基于可用特征向量线性插值的数据增强策略，使我们能够生成训练机器学习模型所需的合成数据集。所提方法在Autism Brain Imaging Data Exchange提供的公共数据集上进行评估，该数据集包含来自17个不同脑成像中心的1035名受试者。我们的机器学习模型在13个成像中心上优于其他SOTA方法，分类准确率提升高达20%，最高准确率达80%。本文提出的机器学习技术除产生更优质量外，在执行时间上具巨大优势（其他方法需6小时，本方法仅40分钟）。实现的代码以GPL许可证发布于我们实验室的GitHub门户（https://github.com/pcdslab/ASD-DiagNet）。
引用
@article{arxiv.1904.07577,
title = {ASD-DiagNet: A hybrid learning approach for detection of Autism Spectrum Disorder using fMRI data},
author = {Taban Eslami and Vahid Mirjalili and Alvis Fong and Angela Laird and Fahad Saeed},
journal= {arXiv preprint arXiv:1904.07577},
year = {2019}
}