DE-CGAN：通过多样性增强条件生成对抗网络提升rTMS治疗预测
机器学习
2024-04-29 v1 人工智能
图像与视频处理
摘要
重复经颅磁刺激（rTMS）是一种有充分证据支持的抑郁症治疗方法。然而，对这种治疗的反应模式并不一致。新出现的证据表明，人工智能可以利用fMRI连接特征预测大多数患者的rTMS治疗结果。虽然这些模型可以可靠地预测许多患者的治疗结果，但对于一些代表性不足的fMRI连接测量，DNN模型无法可靠预测治疗结果。因此，我们提出了一种新方法，即多样性增强条件生成对抗网络（DE-CGAN），用于对这些代表性不足的样本进行过采样。DE-CGAN通过首先识别这些数据点，然后创建条件合成样本来增强数据多样性，从而在难以分类的区域生成合成样本。通过实证实验，我们表明使用多样性增强训练集训练的分类模型优于传统数据增强技术和现有基准结果。这项工作表明，增加训练数据集的多样性可以提高分类模型的性能。此外，这项工作为合成患者的效用提供了证据，为AI研究人员和精神科医生探索变量关系提供了更大、更稳健的数据集。
引用
@article{arxiv.2404.16913,
title = {DE-CGAN: Boosting rTMS Treatment Prediction with Diversity Enhancing Conditional Generative Adversarial Networks},
author = {Matthew Squires and Xiaohui Tao and Soman Elangovan and Raj Gururajan and Haoran Xie and Xujuan Zhou and Yuefeng Li and U Rajendra Acharya},
journal= {arXiv preprint arXiv:2404.16913},
year = {2024}
}