基于fMRI时间序列的因果建模用于可解释的自闭谱系障碍分类
图像与视频处理
2025-02-24 v1
摘要
自闭谱系障碍（ASD）是一种神经发育障碍，影响社交和沟通行为。它在早期出现，通常伴随终身障碍。因此，对 ASD 的准确且早期诊断可促进患者的治疗效果。功能性磁共振成像（fMRI）是一种有用的工具，用于测量脑信号变化以促进对 ASD 的理解。目前正通过各种连接组机器学习和深度学习分类器识别 ASD 生物标志物，但基于相关性的模型无法捕捉脑区之间的非线性相互作用。为解决此问题，我们引入一种受因果性启发的深度学习模型，使用fMRI的时间序列信息，捕捉ASD分类有用的脑区间因果关系。该模型在ABIDE数据集上以5折交叉验证与其他基线和最新模型进行比较。我们通过筛选均值FD小于15mm的图像以确保数据质量。我们提出的模型在平均分类准确率达到71.9%，平均AUC达到75.8%。此外，脑区间因果解释表明，左扣带区、右扣带区和小脑在ASD人群的脑区间因果关系中位列前10位，而在对照人群中则未进入前10位。我们已用文献验证了这些发现，发现这些脑区的异常常与ASD相关联。
引用
@article{arxiv.2502.15595,
title = {Causal Modeling of fMRI Time-series for Interpretable Autism Spectrum Disorder Classification},
author = {Peiyu Duan and Nicha C. Dvornek and Jiyao Wang and Lawrence H. Staib and James S. Duncan},
journal= {arXiv preprint arXiv:2502.15595},
year = {2025}
}
备注
ISBI 2025 Oral