改进了对机器学习相关性准确性的估计 脑-表型关联 脑-表型关联

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 机器学习 (ML) 对于分析大脑表型关联和从神经成像数据进行个体预测至关重要.
• 目前使用皮尔森相关的方法来估计模型准确性,特别是最大可实现的预测准确性 (MAPA),是不可靠的,可能需要数百万个样本.

研究的目的:

• 为了正式定义MAPA,并证明皮尔森估计器对这个数量的偏差.
• 开发和验证MAPA的新型半参数 (双机器学习) 估计器,提供准确的估计和有效的置信区间.

主要方法:

• 最大可实现的预测准确度 (MAPA) 的正式定义.
• 开发一个半参数 (双机器学习) 一步估计器.
• 使用可再生大脑图表数据集的验证,分析神经成像数据与年龄和精神病理表型.

主要成果:

• 皮尔森的相关性估计器对MAPA有偏见,其置信区间不足.
• 拟议的双重机器学习估计器显示,从神经成像数据中估计大脑表型关联的偏差减少.
• 使用神经成像进行心理病理因子评分的MAPA并不优于单独使用人口和麻烦共变量.

结论:

• 开发的双重机器学习估计器为评估神经成像研究中的MAPA提供了更可靠的方法.
• 与基本共变量相比,神经成像数据本身可能对心理病理因素得分的预测能力有限.
• 对MAPA的准确估计对于在神经科学研究中推进ML应用至关重要.