基于张量分解和个性化联合学习的多部位大脑疾病识别
Chaojun Zhang1, Jing Yang2, Yuan Gao2
1School of Computer Science and Technology, Hainan University, Haikou Hainan,570228, China.
概括
这项研究引入了使用张量分解和个性化联合学习 (TDPFL) 进行脑疾病识别的新框架. 在保护私人人口信息的同时, TDPFL 增强了多站点数据分析,提高了诊断准确性.
科学领域:
- 神经科学
- 医疗信息学
- 机器学习
背景情况:
- 大脑疾病带来重大健康挑战,需要通过强大的预测模型进行早期诊断.
- 医疗数据隐私问题和数据孤岛限制了高质量的诊断模型的开发.
- 现有的多个地点的研究往往没有纳入特定地点的私人特征,阻碍了全面的分析.
研究的目的:
- 为多部位大脑疾病的识别提出一个张量分解和个性化联合学习 (TDPFL) 框架.
- 在多站点数据分析过程中保护敏感的人口信息 (年龄,性别,教育).
- 通过综合数据提高早期脑疾病诊断的准确性和效率.
主要方法:
- 在中央服务器上开发了双重功能聚合模块,以实现高效的跨站点知识共享.
- 在客户端实现个性化分支以保护私人人口数据.
- 使用张量分解模块从脑扫描数据中提取特征 (rs-fMRI).
- 整合了一个动态原型聚合模块以捕捉随时间变化的大脑特征.
主要成果:
- 与基线方法相比,TDPFL框架显示出更高的性能.
- 在六个站点的两个公共 rs-fMRI 数据集中,平均分类准确度提高了4%.
- 成功识别了与脑部疾病相关的特定生物标志物,帮助早期诊断.
结论:
- TDPFL提供了一种有效的解决方案,
- 这种框架提高了捕捉大脑动态变化的能力,从而提高了诊断准确度.
- 已识别的生物标志物为早期发现和理解大脑疾病提供了宝贵的见解.
