对机器学习的性能产生混影响分析从rs-fMRI多站点数据计算的静态功能连接
Oswaldo Artiles1, Zeina Al Masry2, Fahad Saeed3
1Knight Foundation School of Computing and Information Sciences, Florida International University, 11200 SW 8th Street CASE 354, Miami, Florida, 33199, USA.
Neuroinformatics
|August 15, 2023
概括
这项研究解决了用于大脑连接分析的多站点静止状态功能MRI数据的变异性. 新的分层和特征生成方法改善了自闭症的机器学习分类,提高了诊断准确度.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 休息状态功能性MRI (rs-fMRI) 对于理解大脑连接至关重要.
- 多站点 rs-fMRI 数据由于获取变化和人口异质性而带来挑战.
- 多站点数据中的混效应可能会限制机器学习模型的概括性.
研究的目的:
- 在多站点 rs-fMRI 数据中识别和控制混变量.
- 通过使用自闭症脑成像数据交换 (ABIDE) 数据集来提高机器学习分类性能.
- 通过提高数据同质性和特征表示,最大限度地提高分类得分.
主要方法:
- 提出了新的分层方法,以从17个ABIDE站点中创建同质的子样本.
- 通过使用多重线性回归和ComBat协调,从静态功能连接中生成新的功能.
- 采用规范化技术来控制混的表型和成像变量.
主要成果:
- 获得了76.4%的分类准确度,82.9%的灵敏度和77.0%的特异性.
- 这些得分比基线显著改善:准确率8.8%,灵敏度20.5%,特异性7.5%.
- 证明了拟议方法在减轻混效应方面的有效性.
结论:
- 开发的方法成功地识别和控制了多站点 rs-fMRI 数据中的混效应.
- 增强的数据同质性和特征工程显著改善了自闭症分类的机器学习模型性能.
- 这种方法为更可靠和更普遍的计算神经科学发现提供了途径.
