多分类自闭症诊断：标记分布学习应对复杂谱系

本文档探讨了"面向多分类自闭症辅助诊断的标记分布学习"这一主题，针对自闭症谱性障碍(ASD)这一复杂且高发的神经发展障碍，提出了新的诊断挑战。ASD的特征表现为社会交往障碍、语言交流困难和重复行为，其患病率在美国儿童中高达1∶59，对公共卫生构成了重大关注。由于自闭症的确切生理原因尚不明朗，传统的医学诊断往往基于有限的症状评估和医生经验，这导致诊断的不确定性。 rs-fMRI，即静息态功能性磁共振成像，作为一种量化大脑神经活动的有效工具，被广泛应用于ASD的研究中，以揭示脑功能异常与疾病的关系。现有的计算机辅助诊断算法，如Chen等利用高阶功能性连接矩阵，Aggarwal等的多元图学习，以及Heinsfeld等的深度学习方法，虽然在二分类问题上取得了一定成果，但对于多分类的ASD，如区分自闭症、亚斯伯格综合症和PDD-NOS等，这些方法存在局限性，因为它们通常专注于二元分类，无法全面应对多种相关疾病的识别。 文档指出，多分类ASD辅助诊断面临的显著挑战之一是标记噪声。标记噪声源于训练样本目标标签与实际状态之间的偏差，可能来源于标注过程的主观性、样本识别难度、通信问题以及诊断标准的不一致等。在自闭症诊断中，这种噪声尤为突出，因为ASD的不同子类型界限并不清晰，且诊断过程中的主观判断可能导致错误的标记。 为解决这个问题，文档强调了针对标记噪声进行专门处理的重要性，这意味着需要研发新的算法或改进现有技术，以提高分类器的鲁棒性和准确性，确保在面对多分类任务时，能够有效地鉴别并区分ASD的不同子类型，从而提供更精确的辅助诊断。这涉及到噪声抑制、模型稳健性增强、多模态数据融合等技术的应用，以提高自闭症谱性障碍的诊断精度，帮助医疗专业人士做出更为科学和准确的决策。