[论文解读] Comparison of Probabilistic Deep Learning Methods for Autism Detection

Godfrin Ismail, Kenneth Chesoli+2 more|arXiv (Cornell University)|Mar 9, 2023

Autism Spectrum Disorder Research被引用 4

一句话总结

本研究利用多模态数据（fMRI、MRI 和面部图像）评估了用于自闭症谱系障碍（ASD）检测的概率深度学习模型，表明迁移学习模型如 Xception 和 VGG16 在分类 ASD 时表现出高准确率（最高达 95%），其中 Xception 在面部数据上达到 91%，VGG16 在 fMRI 数据上达到 95% 的准确率，凸显其在早期、自动化诊断中的潜力。

ABSTRACT

Autism Spectrum Disorder (ASD) is one neuro developmental disorder that is now widespread in the world. ASD persists throughout the life of an individual, impacting the way they behave and communicate, resulting to notable deficits consisting of social life retardation, repeated behavioural traits and a restriction in their interests. Early detection of the disorder helps in the onset treatment and helps one to lead a normal life. There are clinical approaches used in detection of autism, relying on behavioural data and in worst cases, neuroimaging. Quantitative methods involving machine learning have been studied and developed to overcome issues with clinical approaches. These quantitative methods rely on machine learning, with some complex methods based on deep learning developed to accelerate detection and diagnosis of ASD. These literature is aimed at exploring most state-of-the-art probabilistic methods in use today, characterizing them with the type of dataset they're most applied on, their accuracy according to their novel research and how well they are suited in ASD classification. The findings will purposely serve as a benchmark in selection of the model to use when performing ASD detection.

研究动机与目标

• 评估最先进的概率深度学习模型在不同数据模态下对自闭症谱系障碍（ASD）检测的性能。
• 基于性能指标和数据类型，识别在 ASD 分类中最具准确性和鲁棒性的深度学习架构。
• 为根据可用数据（fMRI、MRI 或面部图像）选择最优模型提供基准，支持早期诊断。
• 评估数据增强和超参数调优对模型泛化能力和准确率的影响。
• 为临床医生和研究人员提供指导，推动采用深度学习实现可扩展、高可靠性的早期 ASD 检测。

提出的方法

• 训练并比较了多种深度学习模型：Xception、VGG19、NASNetMobile、Auto-ASD-Network、VGG16 和一个自定义 DNN，用于 ASD 检测任务。
• 采用迁移学习，使用预训练模型（如 Xception、VGG19）在 Kaggle 数据集的面部图像上进行微调，以分类自闭症与典型发育。
• 通过 SMOTE 实现数据增强，以解决 fMRI 和 MRI 数据集中的类别不平衡问题，提升模型泛化能力并减少过拟合。
• 采用两阶段分类流程：首先，深度神经网络提取特征；其次，使用 Auto-Tune Models (ATM) 优化支持向量机（SVM）分类器的超参数（核函数、正则化惩罚），以提升性能。
• 通过多种指标评估模型性能：准确率、敏感性、特异性以及混淆矩阵，以确保性能评估的稳健性。
• 使用 ABIDE fMRI 数据集进行模型训练和验证，通过隐藏层提取特征，以评估表征质量。

Figure 1: Class information in the ABIDE Dataset

实验结果

研究问题

• RQ1 概率深度学习模型在不同数据模态（fMRI、MRI、面部图像）下对自闭症谱系障碍分类的性能如何？
• RQ2 哪些深度学习架构在 ASD 检测中达到最高分类准确率，其在敏感性和特异性方面的表现如何比较？
• RQ3 数据增强（如 SMOTE）和超参数调优（如通过 ATM）在多大程度上提升了 ASD 分类中的模型性能？
• RQ4 与传统深度神经网络相比，Xception 和 VGG19 等迁移学习模型在面部特征检测 ASD 方面的效率如何？
• RQ5 基于数据可及性和性能指标，哪种模型最适合用于早期 ASD 检测？

主要发现

• VGG16 在 fMRI 数据上实现了 95% 的最高分类准确率，优于本研究中的其他模型。
• Xception 模型在面部图像数据上达到 91% 的测试准确率，150 名自闭症儿童中包含 132 例真正例和 18 例假阴性。
• Auto-ASD-Network 模型在四个 fMRI 数据集上达到 80% 的准确率，使 SVM 性能提升 26%，较最先进方法提升 14%。
• VGG19 的训练准确率在 25 个周期内从 56% 上升至 85%，随后在验证集上下降至 82%，表明存在潜在过拟合。
• NASNetMobile 表现较差，其验证准确率在 65% 至 78% 之间波动，是三种在面部数据上测试的模型中最无效的。
• SMOTE 数据增强与 SVM 细调的结合显著提升了模型性能，尤其在类别不平衡的数据集中表现突出。

Figure 2: The Architecture of VGG16 [ 26 ]