Aprendizaje por transferencia para mejorar la clasificación diagnóstica basada en neuroimagen

Área de la Ciencia:

• Neuroimagen
• Aprendizaje automático
• Inteligencia artificial

Sus antecedentes:

• El sobreajuste en el aprendizaje automático de neuroimagen dificulta la precisión de la clasificación diagnóstica debido a los pequeños tamaños de muestra clínica.
• La adquisición de grandes conjuntos de datos clínicos es difícil y costosa, lo que lleva a tamaños de muestra más pequeños en comparación con los controles sanos.
• Los esfuerzos existentes de agregación de datos, como el Autism Brain Imaging Data Exchange (ABIDE), todavía enfrentan limitaciones en cuanto al tamaño de la muestra.

Objetivo del estudio:

• Abordar el sobreajuste en la clasificación diagnóstica del autismo utilizando conjuntos de datos más grandes de controles sanos.
• Transferir conocimiento de las firmas cerebrales sanas para mejorar la discriminación del autismo frente a los controles.
• Mejorar la generalización y la precisión de los modelos de aprendizaje automático en neuroimagen.

Principales métodos:

• Desarrollo de un marco de aprendizaje por transferencia basado en un autoencoder variacional.
• Incorporación de sobremuestreo de datos, preentrenamiento del modelo y entrenamiento y prueba del clasificador.
• Estimación y visualización del rendimiento del enfoque de aprendizaje por transferencia.

Principales resultados:

• El modelo de aprendizaje por transferencia logró una precisión aproximadamente un 7% mayor en datos de sitios no coincidentes en comparación con modelos sin aprendizaje por transferencia.
• Demostró un rendimiento mejorado en la clasificación diagnóstica al aprovechar conjuntos de datos más grandes de controles sanos.

Conclusiones:

• El aprendizaje por transferencia es aplicable dentro de un marco de aprendizaje profundo para mejorar el diagnóstico del autismo.
• La utilización de conjuntos de datos más grandes de controles sanos mejora la generalización y la precisión al tiempo que reduce la variabilidad intersitio.
• El marco propuesto muestra potencial para su aplicación en el diagnóstico de otros trastornos neurológicos y psiquiátricos.