基于fMRI数据检测自闭症谱系障碍的可解释且可扩展机器学习算法
神经元与认知
2020-03-04 v1 机器学习
机器学习
摘要
自闭症谱系障碍（ASD）的诊断是一个具有挑战性的问题，目前纯粹基于症状学的行为描述（DSM-5/ICD-10），并要求报告者在不同环境中（如家庭、学校）观察患病儿童。当前诊断实践存在诸多局限（如报告者差异、未遵循评估指南、报告者偏见），可能导致该障碍的过度诊断、漏诊或误诊。神经影像技术的进步正为更客观评估该障碍提供关键一步。先前研究提供有力证据：从ASD个体收集的结构与功能磁共振成像（MRI）数据展现出区别于神经典型脑扫描的局部与全局空间及时间神经模式的特性。我们提出的深度学习模型ASD-DiagNet在ASD脑扫描与神经典型扫描的分类中表现出持续的高准确率。我们首次整合传统机器学习与深度学习技术，从而能从MRI数据集中分离出ASD生物标志物。我们的方法称为Auto-ASD-Network，结合深度学习与支持向量机（SVM）对ASD扫描与神经典型扫描进行分类。此类可解释模型将有助于解释深度学习技术的决策，从而为神经科学家带来知识发现，并为临床医生提供透明分析。
引用
@article{arxiv.2003.01541,
title = {Explainable and Scalable Machine-Learning Algorithms for Detection of Autism Spectrum Disorder using fMRI Data},
author = {Taban Eslami and Joseph S. Raiker and Fahad Saeed},
journal= {arXiv preprint arXiv:2003.01541},
year = {2020}
}