Ensemble classification of autism spectrum disorder using structural magnetic resonance imaging features
Notice bibliographique
Résumé
Background: Autism spectrum disorder (ASD) is characterized by a spectrum of social and communication impairments and rigid and stereotyped behaviors that have a neurodevelopmental origin. Although many imaging studies have reported structural and functional alterations in multiple brain regions, clinically useful diagnostic imaging biomarkers for ASD remain unavailable. Methods: In this study, we applied machine learning (ML) models to regional volumetric and cortical thickness data from the largest structural magnetic resonance imaging (sMRI) dataset available from the Enhancing Neuro Imaging Genetics Through Meta-Analysis (ENIGMA) consortium (1833 subjects with ASD and 1838 without ASD; age range: 1.5-64; average age: 15.6; male/female ratio: 4.2:1). Results: The highest classification accuracy on a hold-out test set was achieved using a stacked Extra Tree Classifier. The area under the receiver operating characteristic (ROC) curve (AUC) was 0.62 (95% confidence interval [CI]: 0.57, 0.68) and the area under the precision-recall curve was 0.58. Learning curve analysis showed the good fit of the model and suggests that more training examples will not likely benefit model performance. Conclusions: Our results suggest that sMRI volumetric and cortical thickness data alone may not provide clinically sufficient useful diagnostic biomarkers for ASD. Developing clinically useful imaging classifiers for ASD will benefit from combining other data modalities or feature types, such as functional MRI data and raw images that can leverage other machine learning (ML) techniques such as convolutional neural networks.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».