使用基于张量机器学习的可卡因使用预测在多模式MRI连接器数据上的MRI连接器数据.
Anru R Zhang1, Ryan P Bell2, Chen An3
1Department of Biostatistics and Bioinformatics and Department of Computer Science, Duke University, Durham, NC 27710, U.S.A. anru.zhang@duke.edu.
Neural computation
|December 5, 2023
概括
机器学习从脑成像 (MRI) 连接原子数据准确地预测可卡因使用情况. 基于张数的算法可以识别有风险的个体,为药物滥用研究提供了一个有希望的工具.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 药物成科学 药物成科学
背景情况:
- 药物使用障碍给公共卫生带来了重大挑战.
- 对可卡因使用的预测模型对于早期干预至关重要.
- 来自磁共振成像 (MRI) 的Connectomic数据为大脑功能提供了洞察力.
研究的目的:
- 开发和评估用于预测可卡因使用的机器学习模型.
- 为了利用功能性MRI (fMRI) 和扩散MRI (dMRI) 数据的基于张量分析.
- 将人口因素与神经成像数据相结合,以提高预测准确度.
主要方法:
- 利用来自275个人的fMRI和dMRI数据,分为246个感兴趣的区域 (ROI),使用Brainnetome地图.
- 应用了一个基于张数的无监督机器学习算法 (高级劳埃德算法),通过集群ROI来减少数据维度.
- 训练了一种具有子抽样和嵌套交叉验证的Catboost模型,结合提取的张量特征和人口统计数据.
主要成果:
- 实现了0.857的预测准确度,用于识别可卡因使用者.
- 成功地减少了数据张量大小,同时保留了相关特征.
- 证明了结合连接经济和人口统计特征的预测能力.
结论:
- 基于张量器的机器学习模型可以有效地从MRI连接原子数据中预测可卡因使用情况.
- 这种方法显示出识别有毒品滥用风险的个人的潜力.
- 突出了先进的机器学习技术在成研究中的有用性.
