Using fMRI Time Series and Functional Connectivity for Autism Classification: Integrating Mamba and KAN in Domain-Adversarial Neural Networks
Notice bibliographique
Résumé
Domain differences in fMRI analysis often cause biases that negatively affect Autism classification. To address this, we propose a novel pipeline leveraging a Domain Adversarial Neural Network (DANN) architecture to extract domain-invariant yet classification-informative features by integrating Mamba and Kolmogorov-Arnold Network (KAN) models. The DANN framework consists of an extractor, a domain classifier, and a label classifier, trained in an adversarial way to reduce domain bias while maintaining classification accuracy. The extractor employs two parallel paths: one processes fMRI time series with the Mamba model, and the other analyzes functional connectivity data using the KAN. The extracted features are concatenated and utilized by KAN-based domain and label classifiers. Adversarial training ensures the domain classifier cannot distinguish domain labels, confirming the domain invariance of the features. Experimental results show that this method achieves an accuracy of 72.56% and an AUC of 72.46%, demonstrating comparability to state-of-the-art methods which rely solely on fMRI data without utilizing phenotype information. Source code and implementation details are available at https://github.com/fatemehghanadi/fMRI-Based-Autism-Classification-Mamba-KAN-with-DANN.Clinical Relevance- The proposed approach effectively mitigates domain-induced biases and offers a robust solution for fMRI-based Autism classification tasks.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».