规范化的多任务学习与基于个体特征的任务相关性,用于阿尔茨海默氏症认知评分预测

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 预测阿尔茨海默病 (AD) 对早期干预和管理至关重要.
• 多任务稀疏学习助力预测多个认知分数和识别生物标志物.
• 现有的方法在与不准确的任务相关性作斗争,阻碍了预测性能.

研究的目的:

• 为阿尔茨海默病 (AD) 预测开发一种新的多任务学习框架.
• 在精细的,特征特定的层面上捕捉任务相关性.
• 改进多个认知分数的预测,并识别AD生物标志物.

主要方法:

• 提出了基于个体特征的任务相关性矩阵指导多任务学习 (IFTMTL) 方法.
• 为多个认知分数的联合回归构建了一个非平滑的凸目标函数.
• 集成的功能级任务相关性和皮尔森系数,通过代算法进行优化.

主要成果:

• 在标准化平均二次误差 (nMSE) 和相关系数 (CC) 度量方面,IFTMTL显著优于11种竞争方法.
• 与多任务特征学习相比,在nMSE实现了4.09%的改进,在CC提高了1.68%.
• 在阿尔茨海默病中确定了关键受影响的大脑区域:左侧海马体,左侧中部和右侧内.

结论:

• IFTMTL通过结合特征级任务相关性来增强AD预测,改善知识传输.
• 该方法超越了认知评分预测和生物标志物识别方面的现有方法.
• 确定海马和中部区域对于AD预测和临床分析至关重要.