利用判别性脑子网络进行自闭症谱系障碍筛查：一种熵方法
机器学习
2021-03-26 v1
摘要
自闭症是导致个体社会交往障碍最重要的神经系统疾病之一。脑成像技术与方法的进步帮助我们构建脑结构与功能网络。发现各组（自闭症与健康对照）中的网络拓扑模式有助于我们建立自闭症障碍筛查模型。在本研究中，我们利用遗传算法提取能更好表征两组差异的判别性子网络。在适应度评估阶段，对每个子网络，使用该子网络的各种熵特征训练机器学习模型并衡量其性能。良好的模型性能意味着提取到了优良的判别性子网络。网络熵可用作网络拓扑描述符。评估结果表明，所提出的基于提取判别性子网络与机器学习模型的筛查方法具有可接受的性能，在 UCLA 数据集结构网络中最高准确率达 73.1%，在 UCLA 数据集功能网络中达 82.2%，在 ABIDE 数据集功能网络中达 66.1%。
引用
@article{arxiv.2103.13850,
title = {Autism Spectrum Disorder Screening Using Discriminative Brain Sub-Networks: An Entropic Approach},
author = {Mohammad Amin and Farshad Safaei},
journal= {arXiv preprint arXiv:2103.13850},
year = {2021}
}