神経画像に基づく診断分類の改善のための転移学習

科学分野:

• 神経画像
• 機械学習
• 人工知能

背景:

• 神経画像機械学習における過学習は、臨床サンプルサイズの小ささにより診断分類の精度を妨げます。
• 大規模な臨床データセットの取得は困難で高価であるため、健康な対照群と比較してサンプルサイズが小さくなります。
• 自閉症脳画像データ交換（ABIDE）のような既存のデータ集約の取り組みでも、サンプルサイズには限界があります。

研究 の 目的:

• 臨床サンプルサイズの小ささによる自閉症診断分類における過学習に対処するため。
• 健康な脳の署名から知識を転移させて、対照群からの自閉症の識別を改善するため。
• 神経画像における機械学習モデルの一般化可能性と精度を向上させるため。

主な方法:

• 変分オートエンコーダーベースの転移学習フレームワークを開発しました。
• データオーバーサ-プリング、モデルの事前学習、および分類器のトレーニングとテストを組み込みました。
• 転移学習アプローチのパフォーマンスを推定および視覚化しました。

主要な成果:

• 転移学習モデルは、転移学習を用いないモデルと比較して、サイトの不一致データに対して約7%高い精度を達成しました。
• より大きな健康な対照群データセットを活用することで、診断分類性能が向上しました。

結論:

• 転移学習は、自閉症診断を改善するために、深層学習フレームワーク内で適用可能です。
• より大きな健康な対照群データセットを利用することで、一般化可能性と精度が向上し、サイト間のばらつきが減少します。
• 提案されたフレームワークは、他の神経学的および精神的障害の診断に応用する可能性を示しています。