图表神经网络在儿科结构连接组上的学习
Anand Srinivasan1, Rajikha Raja1, John O Glass1
1Departments of Radiology, St. Jude Children's Research Hospital, Memphis, TN 38105, USA.
Tomography (Ann Arbor, Mich.)
|February 25, 2025
概括
图形神经网络 (GNN) 在儿科大脑连接组数据中显示出性别分类的前景. 将较小的儿科数据集与成人数据相结合,提高了GNN的性能,强调了需要有效的培训策略的需要.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 脑部成像 脑部成像
背景情况:
- 使用结构连接组数据进行性别分类是脑图学习中的关键基准.
- 图形神经网络 (GNN) 擅长从图形数据中学习,但它们在儿科患者中的应用尚未得到充分探索.
研究的目的:
- 调查GNN学习儿科连接组模式的能力.
- 探索儿童性别分类中GNN的培训技术和建筑设计.
- 将GNN性能与成人和儿科数据集中的其他机器学习模型进行比较.
主要方法:
- 使用的成人 (BRIGHT) 和儿科 (HCP-D) 连接组数据集.
- 训练有素的GNN模型 (GCN简单,GCN残留),深度神经网络 (MLP) 和标准ML模型 (RF,SVM).
- 进行了架构探索 (深度,聚合,跳过连接) 并评估了对抗性稳定性.
主要成果:
- 在成人和儿科人口中,GNN的表现优于其他模型.
- 成年GNN在成年人性别分类方面实现了85.1%的准确性.
- 将儿科数据与成人数据相结合,获得了类似的准确性 (83.0%儿科,81.3%成人).
- 与剩余GCN和MLP相比,简单的GCN显示出更高的对抗性稳定性.
结论:
- 在理解性别特异性神经发育和疾病方面,GNN具有显著的潜力.
- 数据增强对于克服小型儿科数据集的挑战至关重要.
- 在GNN模型的复杂性,准确性和对抗性稳定性之间存在权衡.
