通过使用站点不可知的超级学习和脑MRI对自闭症谱系障碍进行短暂的分类

科学领域:

• 神经成像和机器学习
• 辐射学分类 辐射学分类
• 人工智能在医学中的应用

背景情况:

• 在医学成像中,有限的训练数据阻碍了机器学习用于微妙的疾病,如自闭症谱系障碍 (ASD).
• 转移学习是一种共同的策略,用于解决开发放射学分类器的低数据挑战.
• 多站点神经成像数据呈现异质性,使模型的概括性复杂化.

研究的目的:

• 探索用于非常低数据的超级学习,称为站点不可知超级学习,以解决多站点神经成像研究中的数据限制.
• 开发一个框架,适应元学习原则,在多个成像站点有效学习.
• 通过使用T1加权核磁共振扫描来评估位点不可知元学习用于分类自闭症谱系障碍 (ASD) 的性能.

主要方法:

• 利用自闭症脑成像数据交换 (ABIDE) 数据集中的T1加权MRI扫描上适应多站点学习的元学习框架.
• 训练模型以找到最佳的初始化状态,以便快速适应新的,未见的网站,精细调整数据有限.
• 采用了几次射击的学习设置 (2-way 20-shot) 来分类ASD与典型发展的对照.

主要成果:

• 在7个看不见的位置的数据上,获得了0.857的接收器运行特征曲线 (ROC-AUC) 下的面积.
• 在更广泛的网站范围内的概括方面表现优于转移学习基线.
• 在没有额外的微调的情况下,在独立测试现场的零射击设置中表现出有希望的性能.

结论:

• 站点无定性元学习显示出对具有多站点异质性和有限数据的神经成像任务具有重大前景.
• 拟议的框架适应了各站点的数据变化,增强了对挑战性神经疾病的AI工具的开发.
• 这种方法为在数据稀缺的医学成像场景中构建强大的放射学分类器提供了可行的解决方案.