将机器学习诊断模型适应新人群使用少量数据:临床神经科学结果
Rongguang Wang1,2,3, Guray Erus2,3, Pratik Chaudhari1,4
1Department of Electrical and Systems Engineering, University of Pennsylvania.
ArXiv
|September 24, 2024
概括
机器学习模型现在可以在医疗保健中的不同患者群体和数据源中更好地泛化. 这种新方法提高了诊断阿尔茨海默病和精神分裂症的准确性,并预测大脑年龄.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 医疗保健 医疗保健 医疗保健 医疗保健
背景情况:
- 医疗保健中的机器学习 (ML) 模型面临可重现性挑战,通常无法在不同人群或数据采集设置中进行概括.
- 这种糟糕的概括阻碍了ML在临床神经成像中对阿尔茨海默病 (AD) 和精神分裂症 (SZ) 等疾病的可靠应用.
研究的目的:
- 开发一种强大的ML方法,以提高神经成像分析中的概括性.
- 为了提高AD和SZ的诊断准确度,并使用多源数据改善大脑年龄估计.
主要方法:
- 开发了一种权重的经验风险最小化方法,将来自不同来源组的数据结合起来,以对目标组进行预测.
- 该方法应用于20项AD/SZ诊断和大脑年龄预测研究中的15,363名个体的神经成像数据.
- 该方法使用了目标组数据的很小一部分 (10%),优化了源种群数据组合.
主要成果:
- 与现有的域调整技术相比,拟议的方法取得了更高的性能.
- 曲线下的获得面积 (AUC) >0.95用于AD分类和>0.7用于SZ分类.
- 获得的大脑年龄预测的平均绝对误差<5年,在扫描仪,协议和人口统计数据的变化中显示出强度.
结论:
- 开发的方法显著改善了对神经和精神疾病神经成像中的ML模型的概括性.
- 该方法为诊断,预后 (例如,轻度认知障碍进展) 和产生新的临床见解提供了强大的工具.
- 这种技术通过有效利用多样化和大规模数据集,提高了医疗保健中的ML可靠性.
