在自闭症 MRI 研究中，单被试结构连接矩阵比功能连接更有助于被试分类
定量方法
2020-05-28 v2 机器学习
摘要
本工作中，我们引入一种从 T1 加权 MRI 估计的灰质体积区域直方图导出对称连接矩阵的技术。随后，我们将这些连接矩阵输入卷积神经网络（CNN），对来自六个不同数据库的自闭症被试与年龄、头动和颅内体积匹配的对照者进行分类，以验证该技术（共 29,288 个连接组，平均年龄 = 30.72，范围 0.42–78.00，含 1555 名自闭症被试）。我们将该方法与基于相同被试的 fMRI 连接矩阵以及灰质体积单变量估计的类似分类进行比较。我们进一步在输出类激活图上应用图论度量，以识别 CNN 优先用于分类的矩阵区域，尤其关注枢纽节点。我们的结果显示：仅用结构连接分类的 AUROC 为 0.7298（准确率 69.71%），仅用功能连接分类为 0.6964（准确率 67.72%），用灰质体积单变量分类为 0.7037（准确率 66.43%）。结合结构与功能连接给出 AUROC 为 0.7354（准确率 69.40%）。对类激活图的图分析显示功能输入无显著网络模式，但结构连接显示两组间在双侧 Heschl 回与上蚓部存在局部差异。本工作为将大量结构 MRI 输入机器学习模型提供了一种简单的特征提取手段。
引用
@article{arxiv.2005.08035,
title = {Single-participant structural connectivity matrices lead to greater accuracy in classification of participants than function in autism in MRI},
author = {Matthew Leming and Simon Baron-Cohen and John Suckling},
journal= {arXiv preprint arXiv:2005.08035},
year = {2020}
}