Apprentissage de graphes adaptatif au sujet guidé par attention croisée pour la classification multimodale de l'autisme : intégration des données d'IRM structurelle et fonctionnelleCross-attention-guided subject-adaptive graph learning for multimodal autism classification: integrating structural and functional MRI data.
- Le modèle CAS-GNN intègre des données d'IRM structurelle et fonctionnelle pour une classification multimodale de l'autisme.
- Il atteint une précision de 79,25% sur des tests indépendants et 78,75% en validation croisée sur le dataset ABIDE-I.
- Les analyses identifient une dominance hémisphérique droite dans les régions cérébrales associées aux TSA, soutenant l'hypothèse d'une asymétrie atypique.
Article méthodologique solide sur la classification multimodale de l'autisme, avec des performances élevées et des analyses neurobiologiques pertinentes. Bien que technique, il offre des implications cliniques pour le diagnostic et la découverte de biomarqueurs. La note est modérée car l'étude est limitée à un seul dataset et nécessite des validations supplémentaires.
L'étude repose sur un seul jeu de données (ABIDE-I), limitant la généralisation à d'autres populations. Seules les IRM structurelle et fonctionnelle au repos sont utilisées ; d'autres modalités (diffusion, perfusion) pourraient apporter des informations complémentaires. Le modèle nécessite des ressources computationnelles importantes et une expertise technique pour son implémentation en pratique clinique. Les analyses exploratoires ne permettent pas de conclure à un lien causal entre les régions identifiées et les symptômes autistiques.
Cette étude propose un modèle de réseau de graphes adaptatif au sujet avec attention croisée (CAS-GNN) pour classer les troubles du spectre autistique (TSA) en combinant IRM structurelle et connectivité fonctionnelle au repos. Le modèle modélise des topologies de réseaux cérébraux individualisées et intègre une stratégie d'apprentissage invariant au site, améliorant la discriminabilité et la généralisation inter-sites. Sur le jeu de données ABIDE-I, CAS-GNN atteint une précision de 79,25% ± 4,71% sur des tests indépendants et 78,75% ± 1,56% en validation croisée. Les analyses exploratoires identifient des régions et connexions clés liées aux TSA, avec une dominance hémisphérique droite notable, cohérente avec une asymétrie atypique dans l'autisme. Ce cadre offre des perspectives neurobiologiques et un outil prometteur pour un diagnostic interprétable et robuste des TSA.
Le modèle CAS-GNN intègre des données d'IRM structurelle et fonctionnelle pour une classification multimodale de l'autisme. Il atteint une précision de 79,25% sur des tests indépendants et 78,75% en validation croisée sur le dataset ABIDE-I. Les analyses identifient une dominance hémisphérique droite dans les régions cérébrales associées aux TSA, soutenant l'hypothèse d'une asymétrie atypique. L'approche gère l'hétérogénéité individuelle et la variabilité inter-sites grâce à un apprentissage invariant au site. Le cadre facilite la découverte de biomarqueurs et offre un outil interprétable pour le diagnostic des TSA.
L'identification de régions et connexions cérébrales clés pourrait aider au développement de biomarqueurs neuroimaging pour le diagnostic des TSA. L'approche multimodale et adaptative au sujet pourrait améliorer la précision diagnostique et la généralisation entre centres cliniques. La dominance hémisphérique droite observée pourrait orienter les recherches sur l'asymétrie cérébrale dans l'autisme et ses implications cliniques.
Modéré