Twinned neuroimaging analysis contributes to improving the classification of young people with autism spectrum disorder
Notice bibliographique
Résumé
Autism spectrum disorder (ASD) is diagnosed using comprehensive behavioral information. Neuroimaging offers additional information but lacks clinical utility for diagnosis. This study investigates whether multi-forms of magnetic resonance imaging (MRI) contrast can be used individually and in combination to produce a categorical classification of young individuals with ASD. MRI data were accessed from the Autism Brain Imaging Data Exchange (ABIDE). Young participants (ages 2-30) were selected, and two group cohorts consisted of 702 participants: 351 ASD and 351 controls. Image-based classification was performed using one-channel and two-channel inputs to 3D-DenseNet deep learning networks. The models were trained and tested using tenfold cross-validation. Two-channel models were twinned with combinations of structural MRI (sMRI) maps and amplitude of low-frequency fluctuations (ALFF) or fractional ALFF (fALFF) maps from resting-state functional MRI (rs-fMRI). All models produced classification accuracy that exceeded 65.1%. The two-channel ALFF-sMRI model achieved the highest mean accuracy of 76.9% ± 2.34. The one-channel ALFF-based model alone had mean accuracy of 72% ± 3.1. This study leveraged the ABIDE dataset to produce ASD classification results that are comparable and/or exceed literature values. The deep learning approach was conducive to diverse neuroimaging inputs. Findings reveal that the ALFF-sMRI two-channel model outperformed all others.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».