A Graph Attention Neural Network for Diagnosing ASD with fMRI Data
Notice bibliographique
Résumé
Autism Spectrum Disorder (ASD) is a common psychiatric disorder disease that typically causes impaired communication and compromised social interactions. Functional magnetic resonance imaging (fMRI) data is one of the common neuroimaging modalities for understanding human brain functionalities as well as the diagnosis and treatment of brain disorders. There are many successful applications of deep learning to fMRI analytics where fMRI data is mostly considered structured Euclidean grids or time series, and features were usually extracted from the computer vision or time series perspective. Graph neural networks (GNNs) are neural networks that learn the interactions of graphs via message passing between the nodes of graphs. Recently variants of GNNs such as graph attention network (GAT) have demonstrated outstanding performances on many machine learning tasks. In this paper, we proposed a connectivity based graph attention network for autism diagnosis using functional connectivity (FC) patterns obtained from resting-state fMRI (rs-fMRI). We define graphs based on F Cs and statistics of fMRI time series and present a connectivity-based GATs model for fMRI data analysis. The graph-theoretic based approach enables us to pass messages among connectomic (Non-Euclidean) neighborhoods, which is consistent with the brain functional networks. To evaluate the performance of our proposed GAT, we apply the GAT model to the classification of A SD patients from normal controls. Our results show that GAT can effectively capture salient features for ASD classifications in fMRI analysis.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».