.png){kind=icon}
返回
Transfer Learning for Improving Neuroimaging-Based Diagnostic Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TCBBIO.2025.3647485.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过拟合是神经影像学诊断分类中限制机器学习有效性和泛化性的一个关键问题，部分原因在于样本量与泛化所需量相比不足。即使通过数据聚合（如自闭症脑影像数据交换项目或ABIDE），相对较小的样本量是由于从临床群体获取数据存在困难或成本高昂。对于健康对照组，我们可获得的样本量相对较大。因此，我们提出利用较大的健康样本（源自人类连接组计划或HCP）学习健康对照组神经特征的多态性，旨在将此学习迁移至ABIDE中区分自闭症与健康对照的情境。方法：我们开发了一个完整的变分自编码器迁移学习框架，包括数据过采样、模型预训练、分类器训练与测试以及模型解释。随后评估并可视化了迁移学习的性能。结果：迁移学习分类模型在跨站点数据上的准确率比未使用迁移学习时提高了约7%。讨论：总体而言，我们证明了在深度学习框架内应用迁移学习，利用可用的较大健康对照组样本，可提升自闭症谱系障碍（ASD）诊断分类的泛化性和准确性，并减少跨站点变异性对分类的负面影响。我们认为该提出的框架可能适用于其他疾病。
Keyword:
Autism spectrum disorders
functional connectivity
transfer learning
variational autoencoder
layer-Wise relevance propagation
期刊
I
IF:
0
论文数:
151
被引数:
0
机构
引用论文
A whole brain fMRI atlas generated via spatially constrained spectral clustering.png)
HUMAN BRAIN MAPPING
OAAI
HUMAN BRAIN MAPPINGIF3.3
OAAI分享收藏分享收藏分享收藏
查看更多内容