Ein adaptives Transferlernfamework für die multimodale Diagnose von Autismus-Spektrum-Störungen

Die Autismus-Spektrum-Störung (ASS) ist eine komplexe neurodevelopmentale Erkrankung mit unterschiedlichen Verhaltens-, genetischen und strukturellen Merkmalen. Aufgrund ihrer heterogenen Natur ist die frühzeitige Diagnose von ASS herausfordernd, und herkömmliche unimodale Ansätze scheitern oft daran, die intermodalen Abhängigkeiten zu erfassen. Um dies anzugehen, stellt diese Studie ein adaptives multimodales Fusionsframework vor, das Verhaltens-, genetische und strukturelle MRT-Daten (sMRI) integriert und die Einschränkungen unimodaler Ansätze anspricht. Jede Modalität durchläuft eine spezielle Vorverarbeitungs- und Merkmalsoptimierungsphase. Für Verhaltensdaten kommt ein Ensemble von Klassifikatoren zum Einsatz, das eine Stacking-Technik und einen Aufmerksamkeitsmechanismus verwendet, um Merkmale zu extrahieren und eine Genauigkeit von 95,5% zu erreichen. Die genetischen Daten werden mit Gradient Boosting analysiert, das eine Klassifikationsgenauigkeit von 86,6% erzielte. Für die sMRI-Daten wird eine hybride Architektur aus Convolutional Neural Network und Graph Neural Network (Hybrid-CNN-GNN) vorgeschlagen, die eine starke Leistung mit einer Genauigkeit von 96,32% zeigt und bestehende Methoden übertrifft. Um diese Modalitäten zu vereinen, wird eine adaptive späte Fusionsstrategie implementiert, die mit einem Multilayer Perceptron (MLP) erfolgt, wobei adaptive Gewichtung den Beitrag jeder Modalität basierend auf der Validierungsleistung anpasst. Das integrierte Framework adressiert die Einschränkungen unimodaler Ansätze, indem es ein einheitliches diagnostisches Modell schafft. Das Transferlernfamework erreicht eine überlegene diagnostische Genauigkeit (98,7%) im Vergleich zu unimodalen Baselinewerten und zeigt eine starke Generalisierbarkeit über heterogene Datensätze hinweg, was einen vielversprechenden Schritt in Richtung einer zuverlässigen multimodalen ASS-Diagnose darstellt.