MD-DGNN : Un réseau de neurones à double graphe guidé par les métadonnées basé sur la connectivité fonctionnelle cérébrale pour la classification du TSAMD-DGNN: A Metadata-Driven Dual Graph Neural Network based on Brain Functional Connectivity for ASD Classification.
- Le MD-DGNN intègre une couche de sélection dynamique des arêtes pour optimiser la topologie du graphe cérébral de manière adaptée à la tâche.
- Il construit des graphes de population hétérogènes basés sur différents types de métadonnées.
- Une stratégie de fusion croisée hiérarchique permet d'intégrer les caractéristiques spécifiques aux métadonnées entre les branches.
L'article propose une méthode innovante de classification du TSA basée sur l'IRMf et les métadonnées, avec validation sur deux jeux de données, montrant des performances élevées. Bien que prometteur, il s'agit d'une approche computationnelle sans validation clinique directe.
La dépendance à des données d'IRMf de haute qualité peut limiter l'application clinique courante. Le modèle a été évalué sur deux ensembles de données, mais sa généralisabilité à d'autres populations reste à confirmer. La complexité du modèle peut nécessiter des ressources informatiques importantes.
Présentation de MD-DGNN, un réseau de neurones à double graphe pour la classification du trouble du spectre autistique (TSA) à partir de l'IRMf. Il intègre la connectivité fonctionnelle cérébrale et les métadonnées des sujets. Le modèle adapte dynamiquement la topologie du graphe et fusionne les informations des métadonnées de manière hiérarchique. Les expériences sur les ensembles de données ABIDE I et TJAD-ASD montrent des performances de pointe.
Le MD-DGNN intègre une couche de sélection dynamique des arêtes pour optimiser la topologie du graphe cérébral de manière adaptée à la tâche. Il construit des graphes de population hétérogènes basés sur différents types de métadonnées. Une stratégie de fusion croisée hiérarchique permet d'intégrer les caractéristiques spécifiques aux métadonnées entre les branches. Le modèle atteint des performances de pointe sur les ensembles de données ABIDE I et TJAD-ASD, surpassant les méthodes existantes.
Amélioration potentielle de la précision du diagnostic précoce du TSA grâce à l'analyse de l'IRMf. Intégration de métadonnées (âge, sexe, etc.) pour personnaliser le diagnostic. Possibilité de déployer un outil d'aide à la décision clinique basé sur l'apprentissage profond.
Modéré