基于fMRI诊断的多任务学习的挑战:对精神病和CNVs的好处可能需要数千名患者

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:

• 用于精神病诊断的机器学习 (ML) 模型在新数据的概括性方面遇到了困难.
• 精神疾病可能具有共同的潜在神经成像和遗传特征,这表明共享学习模型的潜力.

研究的目的:

• 评估多任务学习 (MTL) 是否可以通过训练单个模型在多种相关的精神疾病上提高诊断准确性.
• 调查数据集大小和数据多样性对精神病诊断中MTL表现的影响.

主要方法:

• 通过预测多个功能磁共振成像 (fMRI) 站点的年龄/性别来验证MTL疗效.
• 对复制数变异 (CNV) 和精神疾病的ML模型的基准诊断准确性.
• 在英国生物库数据上进行了缩放实验,以评估基于样本大小的MTL性能.

主要成果:

• 当有足够的数据可用时,MTL显著提高了不同数据收集站点的预测准确性.
• MTL的性能高度依赖于样本大小;对于大数据集 (N>6000) 是有利的,但对于小数据集 (N <500) 是不利的.
• 在多个精神病诊断中应用时,MTL降低了诊断准确度,这表明跨诊断学习存在挑战.

结论:

• 当应用于大型,均的数据集或相关任务时,MTL可以提高精神病学神经成像中的预测准确性.
• 使用静止状态fMRI开发成功的精神疾病多任务诊断模型可能需要数千名患者在各种诊断的数据集.