在fMRI扫描上诊断精神障碍的免费半监督转移学习
概括
本研究介绍了S3TL,这是一种新的半监督转移学习框架,用于使用fMRI数据诊断精神障碍. S3TL有效地利用未标记的数据和外部知识,实现高诊断准确度.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 精神障碍是一个重大的公共卫生挑战,增加了医疗保健系统的压力.
- 基于深度学习的计算机辅助诊断 (CAD) 显示出检测神经成像异常的前景,但需要大量的注释数据.
- 半监督学习 (SSL) 和转移学习 (TL) 通过使用未标记的数据和预先存在的知识,分别提供解决方案.
研究的目的:
- 提出第一个半监督转移学习 (SSTL) 框架,S3TL,用于使用功能磁共振成像 (fMRI) 数据进行心理障碍的计算机辅助诊断 (CAD).
- 解决数据稀缺和注释成本的局限性,培训用于神经成像分析的深度学习模型.
主要方法:
- 开发了一种安全的跨域特征对齐方法,以创建SSL的目标相关源模型.
- 实施了一种增强的双阶段伪标签方法,用于将标签分配给未标签的目标域样本.
- 采用知识转移方法来增强最终诊断模型的概括能力.
主要成果:
- 在ABIDE-I上达到69.14%,在ABIDE-II上达到69.65%,在ADHD-200上达到72.62%.
- 通过模型解释分析和联合学习扩展展示了框架的潜力.
结论:
- 拟议的S3TL框架有效地整合了SSL和TL,用于从fMRI数据中强大的精神疾病CAD.
- S3TL为改善心理健康的诊断效率和准确性提供了一个有希望的解决方案,具有更广泛的临床应用潜力.


