在小型队伍中评估机器学习管道用于多式联络神经成像:一个ALS病例研究

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

背景情况:

• 机器学习 (ML) 提供了分析多模式神经成像数据的潜力,以识别生物标志物并改善神经障碍诊断.
• 罕见和异质性疾病对ML构成挑战,原因是数据集小而有限.
• 目前的研究往往侧重于优化小队列数据的ML分类模型.

研究的目的:

• 系统地评估各种ML管道配置对分类性能的影响.
• 评估缩放方法的有效性,特征选择,维度减少和超参数优化.
• 确定在小型队列神经学研究中分析多模式MRI数据的最佳策略.

主要方法:

• 评估了ML管道组件,包括缩放,特征选择,维度减少和超参数优化.
• 利用了来自16名肌缩侧面硬化症 (ALS) 患者和14名健康对照组的多式MRI数据.
• 根据不同的管道配置评估分类性能.

主要成果:

• 对主体的特征规范化显示了分类结果的适度改善.
• 功能选择和缩小尺寸的步骤提供了有限的实用性.
• 超参数优化策略在性能上只产生了边际收益.
• 管道改进对分类绩效的整体影响是温和的.

结论:

• 对于小队列研究,专注于数据集丰富 (扩大队列规模,整合模式) 比广泛的管道调整更有利.
• 提供了方法框架,以指导未来对神经成像ML的研究.
• 强调需要数据集丰富,以提高ML模型在罕见神经疾病中的临床实用性.