Autism spectrum disorder detection using diffusion tensor imaging and machine learning
Notice bibliographique
Résumé
Autism spectrum disorder (ASD) is a neurological and developmental disorder that manifests in social and behavioral deficits. The onset of symptoms may begin in early childhood, but diagnosis is often subjective, and scores can vary between specialists. Several studies suggest that diffusion tensor imaging (DTI)-derived indicators of anisotropy in water diffusion at microstructural level could be biomarkers for this disorder. Emerging advances in neuroimaging and machine learning can provide a fast and objective alternative for its early diagnosis. We propose and evaluate a machine-learning (ML)-powered computer-aided diagnosis (CAD) system for the detection of ASD from DTI. For the development and validation of the system we used the ABIDE II database (n = 150). The system involves processing the raw DTI to obtain fractional anisotropy (FA), mean diffusivity (MD), radial diffusivity (RD) and axial diffusivity (AD) in 25 ASD-relevant regions of interest defined in the JHU ICBM-DTI-81 White-Matter Labeled Atlas to train a ML binary classifier. We evaluated the use of support vector machine (SVM) with various kernels and random forest (RF) optimized for computational efficiency. The best configuration, which used RF, had a sensitivity of 100%, accuracy of 95.65%, precision of 91.67%, and a specificity of 91.67%. An external test yielded 94.73% sensitivity, 97.37% accuracy, and 100% in precision and specificity. Results in this small sample show the generalization power of the best model, and the utility of carefully leveraging imaging information with clinical knowledge on relevant white matter regions commonly affected by ASD to design a CAD system for ASD.
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 | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».