Aumento de datos de gráficos para redes convolucionales de gráficos Aprendizaje en robusta predicción de trastornos...

Área de la Ciencia:

• Informática biomédica
• Aprendizaje automático
• Investigación psiquiátrica

Sus antecedentes:

• Las redes neuronales de gráficos (GNNs) sobresalen en tareas biomédicas, pero luchan con datos ruidosos y escasos en la predicción de enfermedades psiquiátricas.
• Los métodos existentes carecen de soluciones efectivas para estos desafíos de datos en la predicción de enfermedades mentales.

Objetivo del estudio:

• Proponer un método de aumento de datos de gráficos para superar el ruido y la escasez de datos en la predicción de enfermedades mentales.
• Mejorar la robustez y la precisión de los modelos GNN para la predicción de enfermedades psiquiátricas.

Principales métodos:

• Utilizó predictores de bordes para refinar la topología del gráfico, fortaleciendo las conexiones entre nodos similares y eliminando los bordes ruidosos.
• Incorporación de perturbaciones adversas en el espacio de características para mejorar la robustez del modelo frente al ruido de la etiqueta.
• Implementó un mecanismo de autocontrol seguro para la precisión del seudoetiquetado para ayudar a la formación de modelos.

Principales resultados:

• El método de aumento de datos de gráficos propuesto demostró un rendimiento superior en dos conjuntos de datos multimodales de enfermedades mentales reales.
• Los estudios de ablación confirmaron la eficacia de los componentes individuales dentro del marco.
• El marco demostró ser eficaz y escalable para la predicción de enfermedades basadas en la población en condiciones de ruido y escasez de datos.

Conclusiones:

• El nuevo enfoque de aumento de datos de gráficos aborda efectivamente el ruido y la escasez de datos en la predicción de enfermedades psiquiátricas.
• El método mejora el rendimiento y la robustez del modelo GNN, ofreciendo una solución escalable para aplicaciones del mundo real.
• El código disponible al público facilita la investigación y la aplicación en la predicción de enfermedades mentales.