功能连接组学与行为的贝叶斯模型
机器学习
2023-01-18 v1 信号处理
摘要
由于两个领域之间存在复杂的交互作用，联合分析功能连接组学与行为数据的问题极具挑战性。此外，临床 rs-fMRI 研究往往需要应对样本有限的问题，在罕见疾病的情况下尤为如此。这种数据匮乏的状况会严重限制旨在从连接数据预测行为的经典机器学习或深度学习的可靠性。在本工作中，我们从表示学习与贝叶斯建模的视角来处理这一问题。为了对这两个领域的分布特征进行建模，我们首先在执行经典协方差分解后，考察了贝叶斯线性回归、随机搜索变量选择等方法的能力。最后，我们提出了一种用于联合表示学习与预测的全贝叶斯公式。我们在一项公开可用的临床 rs-fMRI 研究的孤独症谱系障碍患者子集上展示了初步结果。
引用
@article{arxiv.2301.06182,
title = {Bayesian Models of Functional Connectomics and Behavior},
author = {Niharika Shimona D'Souza},
journal= {arXiv preprint arXiv:2301.06182},
year = {2023}
}