多层元匹配:将表型预测模型从多个数据集转换为小数据

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 数据科学数据科学数据科学

背景情况:

• 休息状态功能连接 (RSFC) 对于预测个体表型特征至关重要.
• 大数据集可以提高预测的准确性,但小型数据集通常是临床或特定研究所必需的.
• 之前的元匹配方法在将模型从大数据集转换为小数据集方面表现出了希望.

研究的目的:

• 引入和评估两个新的元匹配变体:"元匹配与数据集堆叠"和"多层元匹配".
• 增强预测模型从多个多样化的源数据集转换为用于表型预测的小目标数据集.

主要方法:

• 开发并测试了"元匹配与数据集堆叠"和"多层元匹配"技术.
• 在五个源数据集 (86236,834名参与者) 上训练翻译模型,以预测人类连接组项目年轻成年人 (HCP-YA) 和HCP-Aging数据集中的表型.
• 与原始元匹配,内核回归 (KRR) 和经典转移学习相比,性能比较.

主要成果:

• 多层元匹配与数据集堆叠的元匹配相比,多层元匹配显示出适度的优势.
• 这两种新变体的表现明显优于原始的元匹配方法和经典的转移学习.
• 核回归 (KRR) 在非常小的样本方案 (<50名参与者) 中被发现比经典转移学习更有效.

结论:

• 拟议的多层元匹配方法有效地将预测模型转化为不同大小的数据集,特别有利于小的目标数据集.
• 这些先进的元匹配技术比使用RSFC进行表型预测的传统方法提供了实质性的改进.
• 多层元匹配模型是公开的,促进了该领域的进一步研究.