基于静息态 fMRI 的去噪变分自编码器作为自闭谱系障碍可解释特征降维与诊断管线
图像与视频处理
2025-03-28 v3 机器学习
应用统计
摘要
自闭谱系障碍（ASD）是一种发展性疾病，具有受限兴趣和沟通困难。ASD 的复杂性导致客观诊断生物标志物的缺乏。深度学习方法在神经影像分析中获得了认可，但寻找和解释此类诊断生物标志物仍然在计算上具有挑战性。本文提出了一种基于静息态 fMRI 数据的特征降维管线。我们使用 Craddock 轴和 Power 轴从 rs-fMRI 中提取功能连接数据， resulting in 超过 3 万个特征。通过使用去噪变分自编码器（denoising variational autoencoder, DVAE），我们提出的管线将连接特征进一步压缩为 5 个潜在高斯分布，为数据提供了低维表示，以促进计算效率和可解释性。为测试该方法，我们使用提取的潜在表示对 ASD 进行分类，使用传统分类器如 SVM 在大型多中心数据集上进行测试。SVM 预测准确率的 95% 置信区间为 [0.63, 0.76]，在使用提取的潜在分布进行站点校准后得出。未使用 DVAE 进行降维时，预测准确率为 0.70，位于该置信区间内。DVAE 成功地从 rs-fMRI 数据中编码了诊断信息，且未以牺牲预测性能为代价。训练 DVAE 并从其提取的潜在特征获得分类结果的运行时间比直接在原始数据上训练分类器缩短了 7 倍。我们的发现表明，Power 轴在诊断 ASD 方面比 Craddock 轴提供了更有效的脑连接洞察。此外，我们可视化了潜在表示，以获得关于 ASD 大脑与典型大脑之间差异的脑网络贡献的见解。
引用
@article{arxiv.2410.00068,
title = {Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI},
author = {Xinyuan Zheng and Orren Ravid and Robert A. J. Barry and Yoojean Kim and Qian Wang and Young-geun Kim and Xi Zhu and Xiaofu He},
journal= {arXiv preprint arXiv:2410.00068},
year = {2025}
}