机器学习时代MRI数据协调的有效性:一个跨36个数据集的多中心研究
Chiara Marzi1,2, Marco Giannelli3, Andrea Barucci2
1Department of Statistics, Computer Science and Applications "Giuseppe Parenti", University of Florence, 50134, Florence, Italy.
Scientific data
|January 23, 2024
概括
数据协调对于多中心MRI数据分析至关重要. 我们开发了一个协调器变压器,以防止机器学习管道中的数据泄露,确保从聚合的大脑MRI数据集中获得可靠的结果.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 聚合多中心MRI数据增强了统计能力和用于机器学习的数据再利用.
- 数据协调对于减轻多中心神经成像研究中特定地点的变异性至关重要.
- 在机器学习之前应用协调可以导致数据泄露,膨胀性能估计.
研究的目的:
- 测量数据协调技术的有效性.
- 引入一个协调器变压器,在机器学习管道中封装ComBat协调.
- 为了在多中心MRI数据的预处理过程中通过设计防止数据泄露.
主要方法:
- 开发了一个实现ComBat的协调器变压器,用于集成到机器学习工作流中.
- 利用了来自36个采集地点的1740名健康受试者的脑T1加权MRI数据.
- 通过评估网站效应减少和年龄预测中的数据泄漏来评估协调有效性.
主要成果:
- 协调过程有效地消除或减少MRI数据中的特定场所效应.
- 在机器学习之前,在全球范围内应用协调时,证明了显著的数据泄露.
- 协调器变压器在集成到机器学习管道中时成功防止了数据泄露.
结论:
- 拟议的协调器变压器有效地将数据协调集成到机器学习管道中.
- 这种方法避免了数据泄露,确保了多中心MRI研究的更准确,更可靠的性能估计.
- 使用聚合的神经成像数据促进了强大的机器学习模型开发.
