Autism spectrum disorder (ASD) is a neurological and developmental disorder. Traditional diagnosis of ASD is typically performed through the observation of behaviors and interview of a patient. However, these diagnosis methods are time-consuming and can be misleading sometimes. Integrating machine learning algorithms with neuroimages, a diagnosis method, can possibly be established to detect ASD subjects from typical control subjects. In this study, we develop deep learning methods for diagnosis of ASD from functional brain networks constructed with brain functional magnetic resonance imaging (fMRI) data. The entire Autism Brain Imaging Data Exchange 1 (ABIDE 1) data set is utilized to investigate the performance of our proposed methods. First, we construct the brain networks from brain fMRI images and define the raw features based on such brain networks. Second, we employ an autoencoder (AE) to learn the advanced features from the raw features. Third, we train a deep neural network (DNN) with the advanced features, which achieves the classification accuracy of 76.2% and the receiving operating characteristic curve (AUC) of 79.7%. As a comparison, we also apply the same advanced features to train several traditional machine learning algorithms to benchmark the classification performance. Finally, we combine the DNN with the pretrained AE and train it with the raw features, which achieves the classification accuracy of 79.2% and the AUC of 82.4%. These results show that our proposed deep learning methods outperform the state-of-the-art methods.

中文翻译：

---

基于深度学习的功能性脑网络诊断自闭症谱系障碍

自闭症谱系障碍 (ASD) 是一种神经系统和发育障碍。ASD 的传统诊断通常是通过观察患者的行为和访谈来进行的。然而，这些诊断方法耗时且有时会产生误导。将机器学习算法与神经图像相结合，这是一种诊断方法，可以用来从典型的控制对象中检测 ASD 对象。在这项研究中，我们开发了深度学习方法，用于从由脑功能磁共振成像 (fMRI) 数据构建的功能性脑网络诊断 ASD。整个 Autism Brain Imaging Data Exchange 1 (ABIDE 1) 数据集用于研究我们提出的方法的性能。第一的，我们从大脑 fMRI 图像构建大脑网络，并基于此类大脑网络定义原始特征。其次，我们使用自动编码器 (AE) 从原始特征中学习高级特征。第三，我们训练了一个具有高级特征的深度神经网络（DNN），达到了 76.2% 的分类准确率和 79.7% 的接收操作特性曲线（AUC）。作为比较，我们还应用相同的高级特征来训练几种传统的机器学习算法来对分类性能进行基准测试。最后，我们将 DNN 与预训练的 AE 结合起来，并用原始特征对其进行训练，达到了 79.2% 的分类准确率和 82.4% 的 AUC。这些结果表明，我们提出的深度学习方法优于最先进的方法。我们使用自动编码器 (AE) 从原始特征中学习高级特征。第三，我们训练了一个具有高级特征的深度神经网络（DNN），达到了 76.2% 的分类准确率和 79.7% 的接收操作特性曲线（AUC）。作为比较，我们还应用相同的高级特征来训练几种传统的机器学习算法来对分类性能进行基准测试。最后，我们将 DNN 与预训练的 AE 结合起来，并用原始特征对其进行训练，达到了 79.2% 的分类准确率和 82.4% 的 AUC。这些结果表明，我们提出的深度学习方法优于最先进的方法。我们使用自动编码器 (AE) 从原始特征中学习高级特征。第三，我们训练了一个具有高级特征的深度神经网络（DNN），达到了 76.2% 的分类准确率和 79.7% 的接收操作特性曲线（AUC）。作为比较，我们还应用相同的高级特征来训练几种传统的机器学习算法来对分类性能进行基准测试。最后，我们将 DNN 与预训练的 AE 结合起来，并用原始特征对其进行训练，达到了 79.2% 的分类准确率和 82.4% 的 AUC。这些结果表明，我们提出的深度学习方法优于最先进的方法。实现了76.2%的分类准确率和79.7%的接收操作特性曲线（AUC）。作为比较，我们还应用相同的高级特征来训练几种传统的机器学习算法来对分类性能进行基准测试。最后，我们将 DNN 与预训练的 AE 结合起来，并用原始特征对其进行训练，达到了 79.2% 的分类准确率和 82.4% 的 AUC。这些结果表明，我们提出的深度学习方法优于最先进的方法。实现了76.2%的分类准确率和79.7%的接收操作特性曲线（AUC）。作为比较，我们还应用相同的高级特征来训练几种传统的机器学习算法来对分类性能进行基准测试。最后，我们将 DNN 与预训练的 AE 结合起来，并用原始特征对其进行训练，达到了 79.2% 的分类准确率和 82.4% 的 AUC。这些结果表明，我们提出的深度学习方法优于最先进的方法。我们将 DNN 与预训练的 AE 结合起来，并用原始特征对其进行训练，达到了 79.2% 的分类准确率和 82.4% 的 AUC。这些结果表明，我们提出的深度学习方法优于最先进的方法。我们将 DNN 与预训练的 AE 结合起来，并用原始特征对其进行训练，达到了 79.2% 的分类准确率和 82.4% 的 AUC。这些结果表明，我们提出的深度学习方法优于最先进的方法。