基于MRI数据预测认知衰退的单任务与多任务学习比较
机器学习
2021-09-22 v1 计算机视觉与模式识别
图像与视频处理
摘要
阿尔茨海默病评估量表-认知子量表（ADAS-Cog）是一种旨在评估痴呆认知症状严重程度的神经心理学工具。对ADAS-Cog评分变化的个性化预测有助于对痴呆及高危人群进行治疗干预的时机把握。在本工作中，我们比较了单任务和多任务学习方法，基于T1加权解剖磁共振成像（MRI）预测ADAS-Cog评分的变化。与大多数基于机器学习的ADAS-Cog变化预测方法不同，我们根据受试者的基线诊断进行分层，并在各组中评估预测性能。我们的实验表明，在每个诊断组中预测与观察到的ADAS-Cog评分变化之间存在正相关关系，表明T1加权MRI对评估整个AD连续谱中的认知衰退具有预测价值。我们进一步研究了校正MRI磁场强度差异是否会改善ADAS-Cog评分预测。基于偏最小二乘的域适应略微提高了预测性能，但改善幅度很小。总之，本研究表明ADAS-Cog变化在某种程度上可以基于解剖MRI进行预测。基于本研究，由于其简单性和良好性能，推荐用于学习预测模型的方法是单任务正则化线性回归。为了获得最有效的预测模型，似乎重要的是合并所有受试者组的训练数据。
引用
@article{arxiv.2109.10266,
title = {Comparison of single and multitask learning for predicting cognitive decline based on MRI data},
author = {Vandad Imani and Mithilesh Prakash and Marzieh Zare and Jussi Tohka},
journal= {arXiv preprint arXiv:2109.10266},
year = {2021}
}