近日,我校生命科學與技術學院neuSCAN團隊在美國電氣和電子工程師協(xié)會(IEEE)人工智能及機器學習領域國際頂級期刊IEEE Transactions on Neural Networks and Learning Systems發(fā)表題為Adversarial Learning Based Node-Edge Graph Attention Networks for Autism Spectrum Disorder Identification(一種用于孤獨癥識別的基于對抗學習的“節(jié)點-邊”圖注意力網(wǎng)絡模型)的研究成果。團隊2020級碩士研究生陳鈺中為論文第一作者,蔣希副研究員為論文通訊作者,電子科技大學為論文第一署名單位。
?
圖一 論文提出的孤獨癥識別診斷模型整體框架
孤獨癥譜系障礙(Autism Spectrum Disorder,ASD)是一種神經(jīng)系統(tǒng)發(fā)育障礙,癥狀主要表現(xiàn)為社交及言語障礙、重復刻板行為及興趣狹窄,通常在兒童早期出現(xiàn)癥狀并持續(xù)終身,已成為全球重大公共衛(wèi)生問題。根據(jù)世界衛(wèi)生組織最近的一份報告,孤獨癥的發(fā)病率為每160名兒童中就有1人,并且逐年增加,中國的發(fā)病率為1%。目前沒有徹底治愈孤獨癥的有效方法,主要通過行為干預等手段。對孤獨癥患者進行診斷和干預越早,其預后效果越好。由于孤獨癥存在較強的臨床表型異質性等問題,導致現(xiàn)有方法的識別準確率低、誤診率和漏診率高。
近年來,隨著深度學習方法的快速發(fā)展,基于深度學習模型和大腦磁共振影像數(shù)據(jù)對包括孤獨癥在內的腦疾病輔助識別診斷受到越來越多的關注。但由于不同機構間腦影像數(shù)據(jù)采集設備等因素的差異性,以及孤獨癥患者個體癥狀的異質性,給深度學習模型的準確性和適用性帶來了巨大挑戰(zhàn)。本論文針對現(xiàn)有方法在模型性能和適用性的局限性,開發(fā)了一種基于對抗學習的“節(jié)點-邊”圖注意力網(wǎng)絡模型,試圖從以下幾個方面提高孤獨癥識別準確率:一、通過結合注意力機制同時利用大腦網(wǎng)絡的節(jié)點和邊的特征進行圖分類,以提高模型在圖分類任務上的性能;二、結合磁共振腦影像結構和功能多模態(tài)信息,而非單一模態(tài),進行分類,充分利用大腦不同模態(tài)數(shù)據(jù)間的互補信息;三、 采用對抗學習策略訓練模型,提高分類模型在不同個體以及不同機構采集的數(shù)據(jù)集之間的通用性和魯棒性;四、 采用一種基于梯度顯著性的可解釋性方法識別出對孤獨癥識別診斷起重要貢獻的大腦區(qū)域及連接。
圖二 論文提出的“節(jié)點-邊”圖注意力網(wǎng)絡核心模塊
論文使用全世界最大的孤獨癥腦影像公開數(shù)據(jù)庫之一Autism Brain Imaging Data Exchange I(ABIDE I)進行模型測試。該公開數(shù)據(jù)庫包括來自全世界17個不同機構采集的1112名個體腦影像多模態(tài)數(shù)據(jù)(其中孤獨癥患者539名,正常發(fā)育個體573名,年齡范圍7-64歲)。實驗結果表明論文提出的新模型在所有17個不同機構采集的數(shù)據(jù)集上均取得了理想的識別準確率,并且優(yōu)于現(xiàn)有其他方法。此外,論文提出的模型可解釋性方法成功發(fā)現(xiàn)對于識別孤獨癥患者起重要作用的與默認網(wǎng)絡、心智、語言理解、運動等相關的大腦區(qū)域及連接,并且與孤獨癥癥狀密切相關,從而為探索孤獨癥有效的生物標記物提供了有效線索。
圖三 論文發(fā)現(xiàn)的對于識別孤獨癥患者起重要作用的大腦區(qū)域及連接
論文得到了國家自然科學基金、四川省科技計劃應用基礎研究面上項目、廣東省科技計劃重點項目、北京市科技委項目、江蘇省衛(wèi)健委重點項目的支持。
?
來源:電子科技大學官網(wǎng)