KLASIFIKASI HEALTHY CONTROL, ADHD, DAN ASD MENGGUNAKAN ADAPTIVE MULTI-GRAPH CHEBGCN MULTIMODAL BERBASIS TEMPORAL STABILITY PADA DATA RESTING-STATE fMRI DAN sMRI

Oleh :
Chofifatul Hidayah - L0122037 - Fak. Teknologi Informasi dan Sains Data

Gangguan neurodevelopmental seperti Attention Deficit Hyperactivity Disorder (ADHD) dan Autism Spectrum Disorder (ASD) memiliki gejala yang saling tumpang tindih sehingga menyulitkan diagnosis yang akurat. Meskipun Graph Neural Network (GNN) telah banyak digunakan untuk klasifikasi berbasis neuroimaging, sebagian besar penelitian masih menggunakan data unimodal dan protokol evaluasi yang berpotensi menyebabkan kebocoran informasi. Penelitian ini mengusulkan kerangka pembelajaran graf multimodal yang mengintegrasikan representasi temporal stability dari dynamic functional connectivity rs-fMRI, fitur struktural sMRI, dan data demografis menggunakan Adaptive Multi-Graph ChebGCN. Selain itu, penelitian ini mengevaluasi pengaruh learning setting dan strategi feature selection terhadap performa model. Evaluasi dilakukan pada dataset ADHD-200 dan ABIDE menggunakan tiga skenario eksperimen. Hasil menunjukkan bahwa performa tertinggi diperoleh pada setting transduktif dengan global feature selection, yaitu 85.5% untuk HC vs ADHD vs ASD, 92.6% untuk HC vs ASD, dan 90.4% untuk HC vs ADHD. Pada setting induktif dengan fold wise stable feature selection, performa menurun menjadi 70.9%, 81.7%, dan 79.8%. Temuan ini menunjukkan pentingnya protokol evaluasi yang bebas kebocoran informasi untuk menghasilkan estimasi performa yang lebih realistis dan andal.