EAG-RS：一种基于可解释性引导的感兴趣区域选择框架，用于通过区域间关系学习诊断自闭症谱系障碍
机器学习
2023-10-06 v1
摘要
基于静息态功能磁共振成像（rs-fMRI）的深度学习模型已被广泛用于诊断脑部疾病，尤其是自闭症谱系障碍（ASD）。现有研究利用了 rs-fMRI 的功能连接（FC），取得了显著的分类性能。然而，它们存在明显局限，包括使用线性低阶 FC 作为模型输入时信息不充分、未考虑 ASD 患者间的个体特征（即不同症状或不同严重阶段），以及决策过程不可解释。为弥补这些局限，我们提出了一种新颖的可解释性引导的感兴趣区域（ROI）选择（EAG-RS）框架，该框架利用可解释人工智能技术识别脑区间的非线性高阶功能关联，并选择具有类别判别性的区域用于脑部疾病识别。所提框架包括三个步骤：（i）基于随机种子的网络掩码进行区域间关系学习以估计非线性关系，（ii）可解释的连线相关分数估计以探索功能连接间的高阶关系，（iii）基于非线性高阶 FC 的诊断信息 ROI 选择与分类器学习以识别 ASD。我们利用自闭症脑成像数据交换（ABIDE）数据集进行实验验证了所提方法的有效性，表明该方法在各项评价指标上优于其他对比方法。此外，我们对所选 ROI 进行了定性分析，并识别出与既往神经科学研究相关的 ASD 亚型。
引用
@article{arxiv.2310.03404,
title = {EAG-RS: A Novel Explainability-guided ROI-Selection Framework for ASD Diagnosis via Inter-regional Relation Learning},
author = {Wonsik Jung and Eunjin Jeon and Eunsong Kang and Heung-Il Suk},
journal= {arXiv preprint arXiv:2310.03404},
year = {2023}
}
备注
12 pages, 6 figures, 6 tables