基于人际神经同步的自闭症谱系障碍分类：利用无监督图表示学习的二元神经生物标记能否改善分类？
机器学习
2022-09-23 v2 图像与视频处理
摘要
机器学习用于自闭症谱系障碍（ASD）分类的研究有望改善临床诊断。然而，临床影像近期研究表明，生物标记在基准数据集之内及之外的泛化能力有限。尽管神经影像中模型复杂度和样本量不断增加，ASD 的分类性能仍远未达临床应用。这引发我们如何克服这些障碍以开发 ASD 早期生物标记的问题。一种思路或许是重新思考如何在机器学习模型中操作该疾病的理论基础。此处我们引入无监督图表示，显式映射 ASD 核心方面（即二元社会交互缺陷）的神经机制，该机制通过称为超扫描的双脑记录评估，并评价其预测性能。所提方法不同于现有方法之处在于，它更适于在神经层面捕捉社会交互缺陷，且适用于幼儿与婴儿。来自功能性近红外光谱数据的初步结果表明，任务无关、可解释的图表示具有潜在预测能力。这一利用神经层面交互相关缺陷分类 ASD 的首次尝试，或可激励新途径与方法，以增强现有模型从而在将来实现发育性 ASD 生物标记。
引用
@article{arxiv.2208.08902,
title = {Autism spectrum disorder classification based on interpersonal neural synchrony: Can classification be improved by dyadic neural biomarkers using unsupervised graph representation learning?},
author = {Christian Gerloff and Kerstin Konrad and Jana Kruppa and Martin Schulte-Rüther and Vanessa Reindl},
journal= {arXiv preprint arXiv:2208.08902},
year = {2022}
}
备注
Accepted in Medical Image Computing and Computer Assisted Intervention - MICCAI 2022: The 5th International Workshop on Machine Learning in Clinical Neuroimaging