機械学習を用いた脳-表現型関連付けにおける相関精度の推定改善

科学分野:

• 神経科学
• 機械学習
• 生物統計学

背景:

• 神経画像データからの脳-表現型関連付けおよび個人予測において、機械学習（ML）は極めて重要である。
• モデル精度、特に達成可能な最大予測精度（MAPA）を推定するために現在使用されているピアソン相関を用いる方法は信頼性が低く、数百万のサンプルを必要とする可能性がある。

研究 の 目的:

• MAPAを正式に定義し、この量に対するピアソン推定量のバイアスを実証すること。
• 正確な推定値と妥当な信頼区間を提供する、MAPAのための新しい半パラメータ（二重機械学習）推定量を作成および検証すること。

主な方法:

• 達成可能な最大予測精度（MAPA）の正式な定義。
• 半パラメータ（二重機械学習）の1段階推定量。
• 再現可能な脳チャートデータセットを用いた検証、神経画像データと年齢および精神病理学表現型との分析。

主要な成果:

• ピアソン相関推定量はMAPAに対してバイアスがあり、その信頼区間は不十分である。
• 提案された二重機械学習推定量は、神経画像データからの脳-表現型関連付けの推定においてバイアスが減少することを示した。
• 神経画像を用いた精神病理学因子スコアのMAPAは、人口統計学的およびノイズ共変量のみを使用した場合よりも優れていなかった。

結論:

• 開発された二重機械学習推定量は、神経画像研究におけるMAPAの評価により信頼性の高い方法を提供する。
• 神経画像データのみでは、基本的な共変量と比較して、精神病理学因子スコアの予測力が限定的である可能性がある。
• MAPAの正確な推定は、神経科学研究におけるML応用の進歩にとって極めて重要である。