Autism Spectrum Disorder Classification in Children based on Structural MRI Features Extracted using Contrastive Variational Autoencoder

要約

自閉症スペクトラム障害（ASD）は、患者の社会的相互作用能力に重大な障害をもたらす高度な障害を伴う精神疾患であり、ASDの早期スクリーニングと介入が重要となっています。
機械学習および神経画像技術の発展に伴い、構造 MRI (s-MRI) に基づく ASD の機械分類に関する広範な研究が行われています。
しかし、ほとんどの研究は参加者の年齢が 5 歳以上のデータセットを対象としています。5 歳未満の参加者に対して ASD の機械分類を行っている研究はほとんどありませんが、予測精度は平凡です。
この論文では、対照変分オートエンコーダ (CVAE) を使用して抽出された s-MRI 特徴に基づいて、小児 (年齢範囲: 0.92 ～ 4.83 歳) の ASD の機械分類の予測精度の限界 (0.97 以上) を押し上げます。
深セン小児病院から収集された 78 台の s-MRI は、ASD 固有の特徴チャネルと共通の共有特徴チャネルの両方で構成される CVAE のトレーニングに使用されます。
ASD 固有の特徴によって表される ASD 参加者は、共通の共有特徴によって表される TC 参加者から容易に区別でき、高い分類精度につながります。
データ サイズが非常に小さい場合に予測精度が低下する場合、ここでは潜在的な解決策として転移学習戦略を提案します。
最後に、CVAE から抽出された s-MRI の特徴とさまざまな皮質領域の表面積との相関に基づいて神経解剖学的解釈を行い、将来の ASD の治療目標に役立つ可能性のある潜在的なバイオマーカーを明らかにします。

要約(オリジナル)

Autism spectrum disorder (ASD) is a highly disabling mental disease that brings significant impairments of social interaction ability to the patients, making early screening and intervention of ASD critical. With the development of the machine learning and neuroimaging technology, extensive research has been conducted on machine classification of ASD based on structural MRI (s-MRI). However, most studies involve with datasets where participants’ age are above 5. Few studies conduct machine classification of ASD for participants below 5-year-old, but, with mediocre predictive accuracy. In this paper, we push the boundary of predictive accuracy (above 0.97) of machine classification of ASD in children (age range: 0.92-4.83 years), based on s-MRI features extracted using contrastive variational autoencoder (CVAE). 78 s-MRI, collected from Shenzhen Children’s Hospital, are used for training CVAE, which consists of both ASD-specific feature channel and common shared feature channel. The ASD participants represented by ASD-specific features can be easily discriminated from TC participants represented by the common shared features, leading to high classification accuracy. In case of degraded predictive accuracy when data size is extremely small, a transfer learning strategy is proposed here as a potential solution. Finally, we conduct neuroanatomical interpretation based on the correlation between s-MRI features extracted from CVAE and surface area of different cortical regions, which discloses potential biomarkers that could help target treatments of ASD in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google