基于强化学习的稀疏图表表示学习,用于个性化轻度认知障碍 (MCI) 诊断

科学领域:

• 神经成像和计算神经科学
• 人工智能在医学诊断中的应用

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 通过功能连接网络 (FCNs) 揭示了内在的大脑功能模式.
• 分析FCN对于识别与轻度认知障碍 (MCI) 相关的生物标志物至关重要.
• 目前用于MCI诊断的稀疏表示方法依赖于监督学习,限制了新解决方案的发现.

研究的目的:

• 开发一个先进的强化学习 (RL) 框架,以改善MCI诊断.
• 在MCI的FCN分析中克服监督学习的局限性.
• 为了使FCN建设任务能够有效地进行勘探,并确定最佳的稀疏度水平.

主要方法:

• 提出了一个基于RL的框架,用于特定主题的FCN构建,采用分裂与征服策略.
• 将FCN建设任务分解为可管理的子问题,以促进有效的勘探.
• 利用学习值函数根据个体特征调整FCN稀疏性.

主要成果:

• 与现有方法相比,拟议的框架在MCI诊断中表现出优异的性能.
• 通过划分与征服的方法实现了对广的搜索空间的有效探索.
• 对公共队列数据集的验证证实了该框架的诊断能力.

结论:

• 先进的RL框架为使用rs-fMRI衍生的FCN进行MCI诊断提供了一种有希望,高效和有效的方法.
• 分割与征服策略和适应性稀疏性确定增强了对大脑连接模式的分析.
• 这种方法推动了人工智能在神经退行性疾病诊断中的应用.