rs-fMRIデータを用いた自閉症の検出に向けた、深層学習と特徴量選択を組み合わせたアプローチ。

自閉症スペクトラム障害（ASD）は、主に社会的コミュニケーションの障害および限定的あるいは反復的な行動パターンを特徴とする神経発達障害である。心理学者たちは、評価、診断、治療的アプローチ、家族支援を通じて、ASDの認知的、情緒的、行動的側面に関する知見を提供し、その理解に大きく貢献しているが、診断プロセスは依然として複雑である。この複雑さは、この障害の多様な現れ方や、データ共有に伴う課題に起因している。 さらに、ASD検出のための従来の機械学習アプローチは、高次元の神経画像データへの対応に苦戦し、慎重な特徴量エンジニアリングを必要とする場合がある。その結果、我々は、特徴量抽出のための深層学習（DL）技術と、特徴量選択（FS）手法としての改良型指数三角関数最適化（ETO）アルゴリズムを組み込むことで、ASD診断の精度向上を図ることにした。 改良型ETOは、算術最適化アルゴリズム（AOA）とガイド付き学習戦略（GLS）を統合し、診断性能を向上させる。提案モデルの有効性を評価するため、自閉症脳画像データ交換（ABIDE I）の安静時機能的MRI（rs-fMRI）データを用いた。さらに、提案モデルの性能を既存のモデルと比較した。 その結果、提案モデルはベンチマーク手法と比較して競合可能な、そして多くの場合において優れた性能を達成し、ASDの診断において高い精度、感度、およびAUCを示した。3つのアトラスベースの特徴セット全体での平均値として、提案モデルの精度、感度、およびAUCはそれぞれ73%、78%、79%であった。