互惠多网络噪音标签学习 (MMNNLL) 方法及其应用于双极障碍和精神分裂症的跨诊断分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 正确诊断精神障碍是具有挑战性的,因为主观的标准和重叠的症状之间的条件,如双相情感障碍 (BP) 和精神分裂症 (SZ).
• 临床诊断可能容易产生偏见或错误,影响研究和实践中使用的诊断标签的可靠性.

研究的目的:

• 通过解决杂的诊断标签,开发和验证一种新的计算方法,以提高精神障碍的诊断准确性.
• 利用神经成像数据和先进的机器学习技术,实现更强大的精神疾病的跨诊断分类.

主要方法:

• 提出了一种利用多个深度神经网络 (DNN) 的互惠多网络噪音标签学习 (MMNNLL) 方法.
• MMNNLL最大限度地提高了DNN之间的一致性,以识别和使用具有清洁和噪音标签的样品.
• 将该方法应用于BP和SZ患者的大脑功能连接数据,并与公共数据集 (CIFAR-10,PathMNIST) 进行验证.

主要成果:

• 在公开数据集上,MMNNLL在分类各种标签噪声类型和水平的独立测试数据方面表现出有效性.
• 该方法显著优于现有的最先进的噪音标签学习技术.
• 对BP和SZ数据的应用确定了两个生物型,具有较大的群体差异和比原始临床类别更好的分类准确性.

结论:

• 通过使用强大的噪音标签学习,MMNNLL方法有效地减轻精神障碍鼻科学的不准确性.
• 该方法促进了跨诊断分类,提供了一种更准确,更可靠的方法来分类精神疾病.
• 多网络合作和MMNNLL内部的竞争提高了诊断精度,特别是在处理复杂和可能错误的临床标签时.