转移学习用于改善基于神经成像的诊断分类
IEEE transactions on computational biology and bioinformatics
|December 23, 2025
概括
使用健康大脑数据转移学习通过利用更大的健康对照数据集来改善自闭症诊断的准确性,以克服小型临床样本大小并减少神经影像研究中的变异性.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 神经成像机器学习中的过度装配,由于临床样本大小小,阻碍了诊断分类的准确性.
- 获得大型临床数据集是具有挑战性和昂贵的,导致较小的样本大小比健康对照.
- 像自闭症脑成像数据交换 (ABIDE) 这样的现有数据聚合努力仍然面临样本大小的限制.
研究的目的:
- 通过使用更大的健康对照数据集来解决自闭症诊断分类中的过度拟合问题.
- 从健康的大脑签名转移知识,以改善自闭症与对照者的歧视.
- 提高神经成像中的机器学习模型的概括性和准确性.
主要方法:
- 开发了一个基于自编码器的转移学习框架.
- 纳入数据过量采样,模型预训练,分类器训练和测试.
- 估计和可视化转移学习方法的性能.
主要成果:
- 与没有转移学习的模型相比,转移学习模型在与现场不匹配的数据上获得了大约7%的更高准确性.
- 通过利用更大的健康对照数据集,证明了更好的诊断分类性能.
结论:
- 转移学习可以在深度学习框架内应用,以改善自闭症诊断.
- 使用更大的健康控制数据集可以提高概括性和准确性,同时减少站点间的变化.
- 拟议的框架显示了在诊断其他神经和精神疾病中应用的潜力.
