Estimación Mejorada de la Precisión de Correlación para Asociaciones Cerebro-Fenotipo en Aprendizaje Automático

Área de la Ciencia:

• Neurociencia
• Aprendizaje Automático
• Bioestadística

Sus antecedentes:

• El aprendizaje automático (ML) es crucial para analizar las asociaciones cerebro-fenotipo y la predicción individual a partir de datos de neuroimagen.
• Los métodos actuales que utilizan la correlación de Pearson para estimar la precisión del modelo, específicamente la precisión predictiva máxima alcanzable (MAPA), no son fiables y pueden requerir millones de muestras.

Objetivo del estudio:

• Definir formalmente la MAPA y demostrar el sesgo del estimador de Pearson para esta cantidad.
• Desarrollar y validar un novedoso estimador semiparamétrico (aprendizaje automático doble) para la MAPA que proporcione estimaciones precisas e intervalos de confianza válidos.

Principales métodos:

• Definición formal de Precisión Predictiva Máxima Alcanzable (MAPA).
• Desarrollo de un estimador semiparamétrico (aprendizaje automático doble) de un solo paso.
• Validación utilizando el conjunto de datos Reproducible Brain Charts, analizando datos de neuroimagen con fenotipos de edad y psicopatología.

Principales resultados:

• El estimador de correlación de Pearson está sesgado para MAPA, y sus intervalos de confianza son inadecuados.
• El estimador doble de aprendizaje automático propuesto muestra un sesgo reducido en la estimación de asociaciones cerebro-fenotipo a partir de datos de neuroimagen.
• La MAPA para puntuaciones factoriales de psicopatología utilizando neuroimagen no fue superior al uso de covariables demográficas y de confusión solas.

Conclusiones:

• El estimador de aprendizaje automático doble desarrollado ofrece un método más fiable para evaluar la MAPA en estudios de neuroimagen.
• Los datos de neuroimagen por sí solos pueden tener un poder predictivo limitado para las puntuaciones factoriales de psicopatología en comparación con las covariables básicas.
• La estimación precisa de la MAPA es fundamental para avanzar en las aplicaciones de ML en la investigación en neurociencia.