Optimisation métaheuristique des hyperparamètres des réseaux de neurones profonds pour la classification du trouble du spectre autistique tenant compte des facteurs démographiquesMetaheuristic hyperparameter optimization of deep neural networks for demographic-aware autism spectrum disorder classification.
- L'optimisation métaheuristique des hyperparamètres améliore les performances des CNN pour la classification du TSA à partir d'IRM structurelles.
- La classification basée sur l'âge obtient une précision de 88,07 %, supérieure à celle basée sur le sexe (84,25 %).
- La stratification conjointe âge-sexe (8 classes) donne une précision de 71,58 %, reflétant une complexité accrue.
L'article présente une méthode d'optimisation pour la classification de l'ASD avec des résultats prometteurs sur un jeu de données multi-sites, mais l'absence de validation externe et l'application limitée à l'IRM structurelle réduisent la pertinence clinique immédiate.
L'étude utilise uniquement l'ensemble de données ABIDE ; une validation externe sur des datasets indépendants est nécessaire. La classification conjointe âge-sexe montre une précision modérée, indiquant des limites dans la granularité fine. Seules les IRM structurelles sont utilisées ; l'intégration d'autres modalités pourrait améliorer les performances. Les modèles n'ont pas été testés dans des contextes cliniques réels.
Cette étude propose un cadre d'apprentissage profond pour classer le trouble du spectre autistique (TSA) à partir d'IRM structurelles, en intégrant l'optimisation des hyperparamètres via l'algorithme Optimized Artificial Bee Colony (OptABC). Trois modèles CNN personnalisés sont développés pour la classification selon le sexe, l'âge, et une stratification conjointe âge-sexe, évalués sur l'ensemble de données multi-sites ABIDE. Les précisions atteintes sont de 84,25 %, 88,07 % et 71,58 % respectivement, montrant que la modélisation basée sur l'âge est plus discriminante que celle basée sur le sexe. L'optimisation métaheuristique s'avère efficace pour adapter les modèles aux spécificités démographiques.
L'optimisation métaheuristique des hyperparamètres améliore les performances des CNN pour la classification du TSA à partir d'IRM structurelles. La classification basée sur l'âge obtient une précision de 88,07 %, supérieure à celle basée sur le sexe (84,25 %). La stratification conjointe âge-sexe (8 classes) donne une précision de 71,58 %, reflétant une complexité accrue. L'algorithme OptABC permet une adaptation automatique des architectures et des hyperparamètres sans réglage manuel. Les résultats sont compétitifs par rapport aux modèles de transfert d'apprentissage pré-entraînés.
L'approche pourrait permettre des outils de diagnostic personnalisés du TSA prenant en compte les facteurs démographiques comme l'âge et le sexe. L'optimisation automatisée réduit la nécessité d'expertise technique pour le réglage des modèles, facilitant leur adoption. La meilleure discrimination par l'âge suggère que les biomarqueurs du TSA liés à l'âge sont plus saillants que ceux liés au sexe.
Modéré