XiaoMi-AI文件搜索系统
World File Search SystemTFMRI
在几分钟的扫描时间
许多最近的研究调查了用于预测fMRI个人行为的机器学习技术。尽管获得了令人鼓舞的结果，但过度的扫描时间（尤其是在静止状态fMRI）是一个限制因素。在这里，我们提出了一种新的机器学习算法，用于使用静止状态（RSFMRI）以及基于任务的fMRI（TFMRI）来预测健康人类受试者的个体行为。它通过集成学习和部分最小二乘回归而不是通过脑部拟合或ICA分解来降低维度。此外，它还引入了ricci-eman曲率作为一种新型的边缘重量。作为概念证明，我们专注于预测流体，结晶和一般智力得分。在人类连接项目的390个无关测试对象的队列中，我们发现观察到的TFMRI中观察到的一般智能与预测的一般智能超过50％，约为59％（r2≈0。29）合并两个任务的结果时。我们将这些结果与现有方法的基准进行了比较，该方法在RSFMRI和TFMRI中都产生了低于50％的相关性。我们得出的结论是，通过应用于TFMRI的新型机器学习技术，可以在扫描时间的一部分中获得明显更好的预测准确性。
使用任务
摘要：自闭症谱系障碍（ASD）是一种与社会和舌障中障碍有关的神经发育障碍。当前的诊断金标准是自闭症诊断观察表（ADO）以及专家临床判断。自闭症的实际原因仍然未知。早期ASD诊断对于执行个性化治疗计划至关重要，并可能导致显着增强。机器学习技术，尤其是深度学习，已被广泛地纳入了开发客观的计算机辅助技术以诊断出使用脑成像方式来诊断自闭症的技术。基于任务的功能磁共振成像（TFMRI）是一种大脑成像方式，它揭示了大脑对不同实验的功能活性，以研究脑疾病或疾病的影响。本研究对研究的研究进行了全面的综述，该研究在基于TFMRI的诊断ASD中部署了传统的机器学习和深度学习技术。分类结果表明，TFMRI拥有早期的自闭症生物标志物，并建议未来的研究建立多模式研究，将TFMRI与结构，功能，临床和GNOMIC数据与参与受试者数量更高。