深度神经网络的转移学习使用ABCD数据集进行预训,用于在韩国青少年中预测一般精神病理

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 预测一般的精神病理因素 (p因素) 对于理解心理健康至关重要.
• 功能磁共振成像 (fMRI) 和深度神经网络 (DNN) 为客观的p因子评估提供了潜力.
• 在不同人群和MRI扫描仪中DNN的普遍性仍然是一个挑战.

研究的目的:

• 评估在美国青少年数据上训练的DNN的概括性,以预测韩国青少年的p因子得分.
• 评估扫描器泛化神经网络 (SGNN) 在跨种群预测中的性能.
• 为了确定可靠的神经成像生物标志物用于p因子预测.

主要方法:

• 在青少年大脑认知发展 (ABCD) 研究中,SGNN接受了来自6,905名青少年的静止状态功能连接 (RSFC) 数据的培训.
• 预训练的SGNN被转移到DNN,并应用于预测125名韩国青少年 (健康和严重抑郁症) 的p因子得分.
• 性能与内核回归 (KRR) 和基线DNN进行了比较.

主要成果:

• 转移的DNN在预测p因子得分方面显著优于KRR和基线DNN (皮尔森r = 0.29 ± 0.18).
• 默认模式网络 (DMN) 和视觉网络 (VIS) 被确定为关键的功能网络,用于在两个数据集中的p因子预测.
• 特定的功能网络显示了数据集特定的贡献,突出了人口差异.

结论:

• 该SGNN向韩国青少年队列展示了成功的概括.
• 在DMN和VIS中改变的RSFC显示出作为生物标志物在不同人群中预测p因子的前景.
• 这种方法可以帮助克服人口统计,诊断和扫描器特征的异质性,用于心理健康预测.