类平衡的深度学习与适应向量缩放损失的痴呆症阶段检测

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 阿尔茨海默氏症 (AD) 导致不可逆转的认知能力下降,而轻度认知障碍 (MCI) 是其前身.
• 早期发现AD和相关痴呆症对于干预和减缓疾病进展至关重要.
• 对于认知状态 (CN,MCI,AD) 的机器学习模型中的类不平衡需要平衡的准确度指标.

研究的目的:

• 在STREAMLINE管道中引入VS-Opt-Net,这是一个结合矢量缩放 (VS) 损失和贝叶斯优化的新方法.
• 提高机器学习模型的性能和均衡准确性,用于对认知正常 (CN),轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 患者进行分类.
• 解决阶级不平衡问题,改善痴呆症检测深度网络培训的泛化.

主要方法:

• 利用基于MRI的脑区域测量作为二进制分类的特征 (CN与MCI,AD与MCI).
• 将矢量缩放 (VS) 损失函数纳入了STREAMLINE机器学习管道.
• 采用贝叶斯优化来对VS损失函数和深度学习模型的超参数调整.
• 将VS-Opt-Net的平衡精度与其他类平衡的机器学习模型和损失函数进行比较.

主要成果:

• 使用贝叶斯方法的超参数优化显著提高了深度神经网络与VS损失的平衡精度.
• 与阿尔茨海默病数据集中的其他模型相比,VS-Opt-Net模型表现出更高的性能.
• 功能重要性分析揭示了VS-Opt-Net能够识别痴呆症不同阶段的关键生物标志物差异的能力.

结论:

• VS-Opt-Net有效地提高了模型性能和在分类认知状态的平衡准确性,特别是在不平衡的数据集.
• 提议的方法,利用VS损失和贝叶斯优化,为使用神经成像数据早期检测阿尔茨海默病提供了一个有前途的方法.
• VS-Opt-Net有助于理解认知障碍和痴呆症不同阶段之间的神经生物学区别.