亚空间校正相关性学习与神经成像中的应用

科学领域:

• 机器学习 机器学习
• 神经成像分析分析 神经成像分析
• 医学数据科学 医学数据科学

背景情况:

• 在机器学习中结合来自多个来源的数据可以引入不必要的变化.
• 多中心神经成像数据,例如神经退行性疾病的FDG-PET扫描,由于设备和协议的差异,通常会表现出中心依赖的变化.

研究的目的:

• 开发一种方法来减轻多中心数据集中的中心依赖变化.
• 提高机器学习模型的概括性和可解释性,用于分类神经退行性疾病,特别是帕金森病阶段.

主要方法:

• 建议使用通用矩阵学习向量量化 (GMLVQ) 的两步方法.
• 步骤1:训练GMLVQ在健康控制数据上,以确定区分数据收集中心的"相关性空间".
• 步骤2:从相关性空间构建一个校正矩阵,为诊断任务改进第二个GMLVQ系统.

主要成果:

• 拟议的方法成功地减少了机器学习系统的偏差,通过在训练过程中消除中心特定信息.
• 这种方法产生了更具信息性的相关性概况,可以由医学专家解释.
• 在现实世界多中心数据集和模拟数据上验证了有效性.

结论:

• 开发的方法有效地解决了多中心数据的异常变化,以提高机器学习模型的性能.
• 这种技术提高了神经退行性疾病分类的特异性和可解释性.
• 该方法可适应其他领域,需要识别相关空间来构建校正矩阵.