探索对解剖神经成像的表示和转移学习的潜力:应用于精神病学

科学领域:

• 神经成像是一种神经成像.
• 计算精神病学是一种计算精神病学.
• 机器学习 机器学习

背景情况:

• 针对大脑疾病的个性化医学需要有效的学习模型来进行基于神经成像的预测.
• 深度学习 (DL) 已被公认为用于医学成像任务,但其优于标准机器学习 (SML) 在单个主体预测方面的优势仍然存在争议.
• 以前的比较通常使用有限的数据集和不太具有临床相关性的预测.

研究的目的:

• 广泛比较DL和SML用于从解剖神经成像预测临床条件.
• 评估预培训策略对转移学习对精神疾病预测的影响.
• 调查代表学习在DL的表现中的作用.

主要方法:

• 在五个多地点预测任务中比较DL和SML,包括精神分裂症,双相情感障碍和自闭症谱系障碍 (ASD) 诊断.
• 评估了三种预训练策略 (自我监督,生成,监督) 来从健康的大脑数据转移学习.
• 利用深度合奏方法并分析了歧视性大脑区域.

主要成果:

• 随机初始化的DL和SML在临床任务和性别预测方面表现相似.
• 在大型健康数据集上进行自我监督的预训练显著改善了DL在临床任务上的表现.
• 具有预训练和深层合奏的DL在3个临床任务中的2个中超过了SML,展示了强大的和可转移的表示.

结论:

• 在神经成像预测中,DL比SML的优势来自于它学习抽象表示的能力.
• 转移学习,特别是自我监督的预培训,对于DL在个性化精神病学中的成功至关重要.
• 这突显了DL在推进大脑疾病诊断中个性化医学的潜力.