利用脑功能连接动力学与机器学习进行自闭症分类
神经元与认知
2017-12-22 v1 机器学习
摘要
本研究的目的是利用机器学习技术和静息态脑成像数据，以功能连接(FC)的时间变异性作为唯一信息来识别自闭症。我们通过分析来自称为ABIDE(自闭症脑成像数据交换)的全球多站点数据库中的脑成像数据，估计并比较了典型健康受试者与自闭症群体间各脑区的FC变异性。我们的分析显示，诊断为自闭症谱系障碍(ASD)的患者在若干脑区表现出增强的FC变异性，而这些脑区在典型大脑中关联于低FC变异性。随后我们使用脑区增强的FC变异性作为特征来训练机器学习模型进行ASD分类，在数据集中识别ASD与对照受试者的准确率达到65%。我们还使用由整个扫描期间每节点功能连接数平均估计的节点强度作为ASD分类特征。结果表明，动态FC度量在预测ASD上优于或与静态FC度量相当。
引用
@article{arxiv.1712.08041,
title = {Autism Classification Using Brain Functional Connectivity Dynamics and Machine Learning},
author = {Ravi Tejwani and Adam Liska and Hongyuan You and Jenna Reinen and Payel Das},
journal= {arXiv preprint arXiv:1712.08041},
year = {2017}
}