MACAFNet transformer-based multi-atlas fusion framework for autism spectrum disorder classification using functional connectivity.
- Proposition d'un réseau de fusion multi-atlas contextuelle (MACAFNet) pour la classification du TSA à partir d'IRMf de repos.
- Intégration de six atlas cérébraux via un mécanisme d'attention Transformer permettant une fusion dynamique et adaptative.
- Obtention d'une précision de 88,46 % et d'une AUC de 0,9546 sur le jeu de données ABIDE-I.
L'article décrit une méthode innovante de classification du TSA basée sur l'IRMf avec des performances élevées, mais reste à un stade de recherche sur un seul jeu de données, sans validation clinique directe. Pertinent pour NeuroWatch car il répond à un besoin d'outils objectifs d'aide au diagnostic, mais l'impact clinique immédiat est limité.
Étude réalisée uniquement sur le jeu de données ABIDE-I, limitant la généralisabilité. Échantillon potentiellement biaisé (principalement des enfants et adolescents, avec des critères d'inclusion variables entre sites). Classification binaire (TSA vs. témoins) sans prise en compte des sous-types ou comorbidités. L'approche est orientée recherche et n'a pas été testée en contexte clinique réel. La reproductibilité sur d'autres populations ou protocoles d'acquisition reste à démontrer.
Cette étude propose un cadre de fusion multi-atlas contextuelle (MACAFNet) pour classifier le trouble du spectre autistique (TSA) à partir de features de connectivité fonctionnelle (FC) extraites d'IRMf en état de repos (rs-fMRI). Le modèle intègre plusieurs atlas cérébraux (AAL, CC200, Dosenbach160, EZ, HO, TT) via un mécanisme d'attention de type Transformer pour capturer des dépendances inter-atlas, puis un classifieur neural effectue la classification. Sur le jeu de données ABIDE-I, l'approche atteint une précision de 88,46 % et une AUC de 0,9546, démontrant une forte capacité discriminante. Les résultats soulignent l'efficacité de la fusion multi-atlas contextuelle pour la recherche en classification du TSA.
Proposition d'un réseau de fusion multi-atlas contextuelle (MACAFNet) pour la classification du TSA à partir d'IRMf de repos. Intégration de six atlas cérébraux via un mécanisme d'attention Transformer permettant une fusion dynamique et adaptative. Obtention d'une précision de 88,46 % et d'une AUC de 0,9546 sur le jeu de données ABIDE-I. Meilleure performance par rapport aux méthodes de fusion statiques traditionnelles. Mise en évidence de l'importance des dépendances inter-atlas pour capturer des motifs de connectivité complexes.
Potentiel d'utilisation comme outil d'aide au diagnostic du TSA basé sur l'IRMf, en complément des évaluations cliniques. Nécessité de valider le modèle sur des données cliniques réelles et multi-centriques avant une éventuelle application. Peut contribuer à une meilleure compréhension des biomarqueurs de connectivité fonctionnelle dans le TSA.
Élevé