Construction d'un modèle d'augmentation de données d'imagerie cérébrale sur petits échantillons et de diagnostic explicable pour l'autisme basé sur des réseaux antagonistes génératifsConstruction of a small-sample brain imaging data augmentation and explainable diagnostic model for autism based on generative adversarial networks.
- L'étude propose un cadre de diagnostic assisté pour le TSA combinant augmentation de données par GAN conditionnel, fusion multimodale et apprentissage profond explicable.
- Utilisation des jeux de données ABIDE I/II avec correction des biais multi-sites par la méthode ComBat.
- L'extraction de caractéristiques inclut des matrices de connectivité fonctionnelle (rs-fMRI) et des caractéristiques morphologiques corticales (sMRI).
Cet article propose une approche innovante combinant augmentation de données par GAN et fusion multimodale pour le diagnostic du TSA, avec des résultats solides en validation croisée et une analyse d'explicabilité. La pertinence pour NeuroWatch est élevée, car il répond à un besoin d'outils diagnostiques objectifs et interprétables en neuropsychologie clinique.
L'étude repose sur des données publiques (ABIDE) avec des protocoles d'acquisition hétérogènes, ce qui peut introduire des biais résiduels malgré la correction ComBat. Les performances sont rapportées sur des échantillons de validation interne ; une validation externe sur des cohortes indépendantes serait nécessaire avant une utilisation clinique. La complexité du modèle (réseaux antagonistes, mécanisme d'attention croisée) peut limiter la reproductibilité et l'interprétabilité pratique pour les cliniciens non-experts. L'étude ne mentionne pas l'inclusion de données longitudinales ou de sous-types de TSA, ce qui pourrait affecter la généralisation à l'ensemble du spectre.
Cette étude propose un cadre de diagnostic assisté pour le trouble du spectre autistique (TSA) combinant augmentation de données par GAN conditionnel, fusion multimodale (IRMf de repos et IRM structurelle) et apprentissage profond explicable. Utilisant les jeux de données ABIDE I/II, la méthode atteint une AUC de 0,871 et une précision équilibrée de 0,797 en validation croisée stratifiée, et une AUC de 0,783 en validation leave-one-site-out, démontrant une bonne généralisation inter-centres. L'analyse d'explicabilité via Integrated Gradients identifie le réseau du mode par défaut et les régions sociales cérébrales comme déterminants clés de la classification.
L'étude propose un cadre de diagnostic assisté pour le TSA combinant augmentation de données par GAN conditionnel, fusion multimodale et apprentissage profond explicable. Utilisation des jeux de données ABIDE I/II avec correction des biais multi-sites par la méthode ComBat. L'extraction de caractéristiques inclut des matrices de connectivité fonctionnelle (rs-fMRI) et des caractéristiques morphologiques corticales (sMRI). Sous validation croisée stratifiée à cinq plis, la méthode atteint une AUC de 0,871 ± 0,016 et une précision équilibrée de 0,797 ± 0,012. La validation leave-one-site-out (LOSO) donne une AUC moyenne de 0,783 ± 0,041, montrant une bonne généralisation inter-centres. L'analyse d'explicabilité via Integrated Gradients identifie le réseau du mode par défaut et les régions sociales cérébrales comme déterminants clés de la classification.
Ce modèle pourrait fournir un outil automatisé et objectif d'aide au diagnostic du TSA basé sur l'imagerie cérébrale, réduisant la dépendance aux échelles cliniques subjectives. La capacité de généralisation inter-centres (LOSO) suggère une applicabilité potentielle dans différents contextes cliniques et de recherche. L'explicabilité du modèle, en accord avec les connaissances neurobiologiques, renforce la confiance clinique dans les décisions du système. L'augmentation de données par GAN permet d'atténuer le problème des petits échantillons, fréquent dans les études sur les troubles neurodéveloppementaux.
Modéré