从基线时间点预测脑连接演化机器学习方法的比较研究
机器学习
2021-09-17 v1 人工智能
计算机视觉与模式识别
摘要
通过预见连接解剖区域对之间的连接权重变化来预测脑网络（也称为连接组）的演化，使得能够在更早阶段发现与连接相关的神经系统疾病，并检测潜在的连接组异常的发展。值得注意的是，这一具有挑战性的预测问题在预测连接组学文献中仍极少被探索。众所周知，机器学习（ML）方法已在各种各样的计算机视觉问题中证明了其预测能力。然而，专门从单一时间点预测脑连接演化轨迹的ML技术几乎不存在。为填补这一空白，我们组织了一场Kaggle竞赛，其中20个参赛团队设计了先进的机器学习流水线，用于从单一时间点预测脑连接演化。参赛团队结合数据预处理、降维和学习方法开发了他们的ML流水线。利用一种包容性的评估方法，我们基于两个互补的评估指标（平均绝对误差（MAE）和皮尔逊相关系数（PCC））以及它们在使用不同训练与测试数据扰动策略（单次随机划分和交叉验证）下的表现对方法进行了排序。最终排名是通过对每个参赛团队在所有评估度量和验证策略上的排名乘积计算得到的。为支持开放科学，所开发的20个ML流水线以及连接组数据集已在GitHub上公开。本次竞赛的成果有望推动预测模型的发展，这些模型能够预见脑连接随时间的演化，以及其他类型的网络（例如基因网络）。
引用
@article{arxiv.2109.07739,
title = {A Comparative Study of Machine Learning Methods for Predicting the Evolution of Brain Connectivity from a Baseline Timepoint},
author = {Şeymanur Aktı and Doğay Kamar and Özgür Anıl Özlü and Ihsan Soydemir and Muhammet Akcan and Abdullah Kul and Islem Rekik},
journal= {arXiv preprint arXiv:2109.07739},
year = {2021}
}