Automated Detection of Autism Spectrum Disorder Using a Convolutional Neural Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Convolutional Neural Networks (CNN) have provided a significant achievement in different machine learning tasks such as speech recognition, image classification, automotive software engineering, together with some substantial applications in neuroscience. This impressive progress is largely due to a combination of algorithmic breakthroughs, computation resource improvements, and access to a large amount of data. Method In this paper, we focused on the diagnosis of the autism spectrum disorder (ASD) via CNN using a large brain imaging dataset. We classified ASD patients using most common resting-state functional magnetic resonance imaging (fMRI) data represented by a multi-site database known as Autism Brain Imaging Data Exchange (ABIDE). The proposed approach was able to classify individuals with autism compared to typical controls based on the patterns of functional connectivity. The outcome measure is accuracy, sensitivity, and specificity of the prediction of ASD from control subjects. Results: The experimental results indicate that our proposed model with 70.22 % diagnostic accuracy in classification of the ASD outperforms the previous works on ABIDE I dataset and for the CC400 functional parcellation atlas of the brain. Also, it was shown that the number of parameters used in our CNN model is fewer than the best known study in the ASD classification which leads to the reduction of the training time. The existing best-known method had a huge number of parameters, 19,961,200, in theirs final stage wheras we reduced it to 4,398,80221 parameters. The sensitivity and specificity were also measured in this study as part of our report
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle