一种新颖的本体引导属性划分集成学习模型：基于极早产婴儿定量结构MRI的早期认知缺陷预测
机器学习
2022-08-10 v2
摘要
结构磁共振成像研究表明，脑解剖异常与早产儿的认知缺陷相关。脑成熟度和几何特征可与机器学习模型一起用于预测后期的神经发育缺陷。然而，传统机器学习模型会受到大特征-样本比（即大量特征但少量样本/实例）的困扰。集成学习是一种策略性地生成并整合机器学习分类器库的范式，已成功用于各种预测建模问题以提升模型性能。属性（即特征）装袋方法是最常用的特征划分方案，它从整个特征集中随机重复抽取特征子集。尽管属性装袋方法能有效降低特征维度以应对大特征-样本比，但它缺乏对领域知识和特征间潜在关系的考虑。在本研究中，我们提出了一种新颖的本体引导属性划分（OAP）方法，通过考虑特征间特定领域的关系来更好地抽取特征子集。利用更好划分的特征子集，我们开发了一个集成学习框架，称为OAP-集成学习（OAP-EL）。我们应用OAP-EL，利用极早产婴儿在足月等效年龄获得的定量脑成熟度和几何特征，预测其2岁时的认知缺陷。我们证明了所提出的OAP-EL方法显著优于同类集成学习和传统机器学习方法。
引用
@article{arxiv.2202.04134,
title = {A Novel Ontology-guided Attribute Partitioning Ensemble Learning Model for Early Prediction of Cognitive Deficits using Quantitative Structural MRI in Very Preterm Infants},
author = {Zhiyuan Li and Hailong Li and Adebayo Braimah and Jonathan R. Dillman and Nehal A. Parikh and Lili He},
journal= {arXiv preprint arXiv:2202.04134},
year = {2022}
}
备注
Latest Version, published at NeuroImage. PMID: 35850161 DOI: 10.1016/j.neuroimage.2022.119484