HFG-Net : Guidé par hautes fréquences, convolution multi-vue sur graphe et fusion spatio-temporelle dynamique pour le diagnostic de l'autismeHFG-Net: High-frequency guided multi-view graph convolution and dynamic spatio-temporal fusion for ASD diagnosis.
Ce que l’article étudie
Troubles et conditions neurodéveloppementales
Confiance élevéeProfils et populations d’intérêt
Confiance moyenneÉvaluation, intervention et accompagnement
Confiance élevéeType et statut de la publication
Confiance élevéeLimites méthodologiques repérées
Confiance moyenneL'article porte sur le diagnostic de l'autisme (TSA) à partir de signaux EEG, avec une méthode de deep learning spécifiquement conçue pour ce trouble. Aucun autre trouble n'est étudié.
- HFG-Net utilise une attention multi-échelle canal-temporel pour capturer les couplages spatio-temporels transitoires dans l'EEG.
- La construction de graphe multi-vue exploitant les bandes bêta/gamma améliore la robustesse au bruit et la représentation topologique.
- Le module de fusion dynamique adapte l'intégration des caractéristiques au niveau de l'échantillon, gérant l'hétérogénéité inter-sujets.
Article original proposant une méthode innovante pour le diagnostic EEG de l'autisme avec des performances élevées, mais sur un échantillon modeste. Pertinent pour les cliniciens et chercheurs en neuropsychologie de l'autisme.
L'étude repose sur un échantillon modéré de 120 sujets, ce qui limite la généralisation à des populations plus larges. L'absence d'une cohorte de validation externe indépendante réduit la robustesse des performances rapportées. Les données EEG utilisées ne sont pas décrites en détail (montage, protocole), ce qui complète la reproductibilité.
Cet article présente HFG-Net, un réseau profond pour le diagnostic de l'autisme (TSA) à partir d'EEG. Il combine une attention multi-échelle canal-temporel, une construction de graphe multi-vue guidée par les hautes fréquences (bandes bêta/gamma) et une fusion dynamique adaptative par réseau de portes. Testé sur 120 sujets (60 TSA, 60 témoins), il atteint 95,79% de précision et 92,89% de F1-score, avec 98,43% de reconnaissance des formes légères. L'analyse d'interprétabilité confirme l'alignement avec les anomalies de connectivité haute fréquence connues dans l'autisme.
HFG-Net utilise une attention multi-échelle canal-temporel pour capturer les couplages spatio-temporels transitoires dans l'EEG. La construction de graphe multi-vue exploitant les bandes bêta/gamma améliore la robustesse au bruit et la représentation topologique. Le module de fusion dynamique adapte l'intégration des caractéristiques au niveau de l'échantillon, gérant l'hétérogénéité inter-sujets. Le modèle atteint 95,79% de précision et 98,43% de reconnaissance des formes légères de TSA sur un échantillon de 120 sujets.
HFG-Net offre un outil EEG interprétable pour le diagnostic de l'autisme, potentiellement utilisable en routine clinique. La capacité à détecter les formes légères de TSA (98,43%) pourrait faciliter un diagnostic précoce et une intervention adaptée. L'alignement des zones d'attention du modèle avec les anomalies de connectivité haute fréquence renforce la validité neurobiologique de l'approche.
Modéré