在基于connectome的预测建模中挽救丢失的数据

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 数据科学数据科学数据科学

背景情况:

• 大脑现象型预测模型通常需要大样本大小.
• 样本规模的增加加剧了缺失数据的问题.
• 像完整案例分析这样的传统方法减少了有效的样本大小,丢弃了有价值的信息.

研究的目的:

• 在基于Connectome的预测建模 (CPM) 框架中整合和评估归算方法.
• 为了将归算的性能与缺失的连接组和表型数据的完整案例分析进行比较.
• 评估归算精度作为方法选择指南的实用性.

主要方法:

• 在CPM框架中集成了各种归算技术.
• 使用四个大型开源数据集 (HCP,PNC,CNP,HBN) 验证了该方法.
• 将归算策略与缺失连接体和表型措施的完整案例分析进行比较.

主要成果:

• 假定缺失的连接体显著改善了预测性能,而不是完整案例分析.
• 推算准确度是选择缺少表型数据的方法的可靠指标,但不是连接组.
• 在现实世界的认知预测任务中,归算使样本大小增加了一倍,解释变量增加了45%.

结论:

• 推算是一种强大的策略,用于解决连接组和表型数据集中缺失的数据,用于预测建模.
• 有效的归算方法通过保留参与者来提高预测性能,与完整案例分析不同.
• 这项研究为神经成像预测建模中的归算技术提供了基准.