M2DC:一种超学习框架,用于对主要抑郁障碍的可概括诊断分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 精神疾病带来了巨大的负担,需要准确和及时的诊断以进行有效的干预.
• 脑成像与机器学习相结合,对精神疾病的分类有很大的前景,但跨多种数据集的模型概括仍然是一个挑战.
• 扫描设备和参数的变化导致领域转移问题,阻碍诊断分类模型的可靠性.

研究的目的:

• 开发一个新的元学习框架,M2DC,以提高精神疾病诊断分类模型的概括能力.
• 解决多站点脑成像数据中的域位移问题,以提高跨站点诊断准确度.
• 引入一个强大的骨干网络,CSTAGIN,用于编码动态脑图.

主要方法:

• 建议使用Meta批量规范化和距离约束 (M2DC) 框架进行meta学习,以模拟域移位并改善类分离.
• 开发了一个连接的时空注意力图同型网络 (CSTAGIN),用于处理动态脑图数据.
• 培训和评估了对来自3261名受试者的大脑多部位成像数据的框架,以对主要抑郁症 (MDD) 进行分类.

主要成果:

• 与现有的域泛化方法相比,使用M2DC训练的模型在跨站点诊断分类任务中表现出优异的性能.
• M2DC框架有效地促进了阶级内部的凝聚力和阶级间的分离,导致了更清晰的分类边缘.
• 通过使用多站点脑图数据,在MDD的诊断分类中取得了最先进的结果.

结论:

• M2DC是第一个用于MDD诊断分类模型的多源,封闭式,域泛化训练的框架.
• 开发的模型显示出在新的,看不见的大脑成像数据上可靠的辅助诊断的潜力.
• 拟议的方法显著提高了机器学习模型在精神病学神经成像中的通用性.