基于课程的多任务学习用于帕金森病检测
图像与视频处理
2023-02-28 v1 人工智能
计算机视觉与模式识别
机器学习
定量方法
摘要
在帕金森病(PD)等进展性疾病的诊断、分期和预测建模中，开发放射学分类器备受关注；PD是一种难以在早期发现的神经退行性疾病。在此，我们利用基于疾病严重程度的分期元数据来定义训练深度卷积神经网络(CNN)的课程。通常，深度学习网络通过在每个mini-batch中随机选样进行训练。相比之下，课程学习是一种通过从更易分类的样本开始以提升分类器性能的的训练策略。在此，我们定义了一套课程，以对应PD的Hoehn和Yahr(H&Y)分期系统逐步增加训练数据难度（总N=1,012；653名PD患者，359名对照；年龄范围：20.0-84.9岁）。即便在我们使用预训练CNN和迁移学习的多任务设定下，基于T1加权(T1-w) MRI的PD分类仍具挑战性（ROC AUC：0.59-0.65），但课程训练相较基线模型提升了性能（3.9%）。未来结合多模态成像的工作可能进一步提升性能。
引用
@article{arxiv.2302.13631,
title = {Curriculum Based Multi-Task Learning for Parkinson's Disease Detection},
author = {Nikhil J. Dhinagar and Conor Owens-Walton and Emily Laltoo and Christina P. Boyle and Yao-Liang Chen and Philip Cook and Corey McMillan and Chih-Chien Tsai and J-J Wang and Yih-Ru Wu and Ysbrand van der Werf and Paul M. Thompson},
journal= {arXiv preprint arXiv:2302.13631},
year = {2023}
}
备注
Accepted for publication at the 20th IEEE International Symposium on Biomedical Imaging, ISBI 2023