Classificazione caso/controllo nei disturbi dello spettro autistico con connettività funzionale cerebrale su dataset multicentrico.

In questo lavoro sono state investigate le performance di classificazione dei soggetti affetti da disturbi dello spettro autistico, rispetto ad un gruppo di controllo, utilizzando tecniche di machine learning applicate alla connettività funzionale rs-fMRI, utilizzando un dataset multicentrico pubblico, ovvero un dataset composto da scansioni provenienti da più centri clinici. Sono state valutate le performance di classificazione al variare dell'atlante cerebrale utilizzato, del numero di feature considerate nell'analisi, delle misure di connettività. Sono state osservate due configurazioni migliori, ottenendo performance di classificazione aventi un AUC di 0.74(3) e 0.76(1) rispettivamente. Sono inoltre state affrontate le problematiche legate alla dimensionalità e all'armonizzazione dei dati. Sono stati utilizzati due differenti schemi di armonizzazione: un primo schema più tradizionale, in cui tutti i soggetti di controllo sono utilizzati per stimare i parametri del modello di armonizzazione, ed un secondo schema, potenzialmente meno soggetto a bias, in cui si utilizzano solo i controlli del training set interno alla validazione incrociata per la definizione di tali parametri.