脑预测建模中自动化机器学习方法的分析：一种从皮质解剖测量预测脑龄的数据驱动方法
神经元与认知
2019-10-09 v1 机器学习
摘要
机器学习（ML）算法在神经科学中的使用显著增加。然而，在海量可能的ML算法中，哪一个才是预测目标变量的最优模型？该模型的超参数又是什么？鉴于这些问题的可能答案不胜枚举，近年来自动化机器学习（autoML）日益受到关注。在此，我们应用名为TPOT的autoML库，其采用基于树的机器学习流水线表示，并通过基于遗传编程的方法寻找最贴近预测被试真实年龄的模型及其超参数。为探索autoML并评估其在神经影像数据集中的效能，我们选取了一个此前已被广泛研究的问题：脑龄预测。在没有任何先验知识的情况下，TPOT能够扫描模型空间并构建出优于基于Freesurfer的模型SOTA精度的流水线，且仅使用解剖结构的厚度与体积信息。具体而言，我们比较了TPOT（平均绝对误差（MAE）：年）与相关向量回归（MAE 年）的性能。TPOT还提出了一些有趣的模型组合，它们与当前脑预测最常用的模型不同，但对未见过的数据具有良好泛化能力。AutoML作为一种数据驱动方法，在为神经影像应用寻找最优模型方面展现出 promising 的结果。
引用
@article{arxiv.1910.03349,
title = {Analysis of an Automated Machine Learning Approach in Brain Predictive Modelling: A data-driven approach to Predict Brain Age from Cortical Anatomical Measures},
author = {Jessica Dafflon and Walter H. L Pinaya and Federico Turkheimer and James H. Cole and Robert Leech and Mathew A. Harris and Simon R. Cox and Heather C. Whalley and Andrew M. McIntosh and Peter J. Hellyer},
journal= {arXiv preprint arXiv:1910.03349},
year = {2019}
}