通过置换检验弥合深度学习与假设驱动分析之间的鸿沟
机器学习
2022-08-01 v1
摘要
神经科学研究中的基本方法是基于神经心理学与行为测量检验假设，即某些因素（如与生活事件相关者）是否与某结果（如抑郁）相关联。近年来，深度学习已成为开展此类分析的潜在替代方法，其通过从一组因素预测结果并识别驱动预测的最“具信息性”因素。然而，该方法影响有限，因为其发现未与支撑假设的因素的统计显著性相关联。本文中，我们提出一种基于置换检验概念、将假设检验整合入数据驱动深度学习分析的灵活且可扩展的方法。我们将该方法应用于国家青少年酒精与神经发育联盟（NCANDA）中621名青少年参与者的年度自我报告评估，以预测负价（根据NIMH研究域标准（RDoC）为重度抑郁症的一种症状）。我们的方法成功识别出进一步解释该症状的风险因素类别。
引用
@article{arxiv.2207.14349,
title = {Bridging the Gap between Deep Learning and Hypothesis-Driven Analysis via Permutation Testing},
author = {Magdalini Paschali and Qingyu Zhao and Ehsan Adeli and Kilian M. Pohl},
journal= {arXiv preprint arXiv:2207.14349},
year = {2022}
}
备注
Accepted at the 5th workshop on PRedictive Intelligence in Medicine (PRIME 2022) - MICCAI 2022