基于掩膜连接的动态图学习网络用于自闭症谱系障碍
原文中文，约600字，阅读约需2分钟。发表于：。本研究针对以往在自闭症谱系障碍（ASD）研究中忽视大脑动态特征和网络噪声的问题，提出了掩膜连接基于动态图学习网络（MCDGLN）。通过动态捕捉大脑信号、加权边聚合模块和层次图卷积网络，该方法实现了对大脑连接的优化，显著提高了在自闭症与典型对照组分类中的准确率，达到73.3%。
本文介绍了一种名为MADE-for-ASD的多重图册深度集成网络，用于自闭症谱系障碍（ASD）的早期诊断。该系统通过加权的深度集成网络将大脑功能磁共振成像（fMRI）数据的多个图册集成起来，并整合人口统计信息以提高诊断性能。实验结果显示，该系统在公开数据集上的准确率达到了75.20%，在特定子集上达到了96.40%。该系统还确定了ASD诊断中排名前10的感兴趣区域。该系统有望为ASD诊断提供更具成本效益、高效且可扩展的策略。
