利用机器学习模型在MRI数据上识别自闭症谱系障碍

摘要

自闭症谱系障碍（ASD）是一种影响感觉处理、语言和行为的神经发育障碍。在早期阶段识别这种状况对于提供有效的治疗至关重要。现有的诊断方法主要依赖于主观评估，且耗时较长。本研究提出了一种客观的诊断方法，该方法通过分析从多模态MRI数据中提取的质量向量（Quality Vector）来实现。该研究利用机器学习（ML）和深度学习（DL）技术对这一质量向量进行处理，以提高ASD的检测能力。所采用的方法基于ABIDE II仓库中的技术质量评估协议（QAP）指标，整合了结构性（sMRI）、功能性（fMRI）和扩散性（DTI）成像模式。该方法使用基于密度的空间聚类算法（DBSCAN）去除异常值，并通过主成分分析（PCA）进行降维处理。分类流程包括1D残差网络（1D-ResNet）、卷积神经网络（CNN）、支持向量机（SVM）和k近邻（kNN），以及一种提出的投票集成模型（结合SVM、KNN和XGBoost），并通过分层10折交叉验证进行了验证。实验结果表明，所提出的集成模型具有最高的诊断准确性，达到了95.84%。这些发现表明，从成像质量指标中提取的技术生物标志物对ASD的检测非常有用。研究表明，通常被视为噪声的技术质量指标实际上具有重要的诊断价值。质量向量框架为ASD的识别提供了一种计算效率高且客观的工具。较高的分类性能表明，从MRI中获得的生物标志物在早期ASD诊断和检测研究中具有潜在的应用前景。