用于自闭症谱系障碍fMRI预测的的深度强化学习
神经元与认知
2022-06-23 v1 人工智能
机器学习
图像与视频处理
摘要
目的：由于功能磁共振成像（fMRI）数据集通常较小，我们寻求一种数据高效的方法，用于自闭症谱系障碍（ASD）与神经典型（NT）对照的静息态fMRI分类。我们假设深度强化学习（DRL）分类器能在小型fMRI训练集上有效学习。方法：我们在自闭症脑成像数据交换（ABIDE）数据库的100个图-标签对上训练了一个深度强化学习（DRL）分类器。作为比较，我们在相同训练集上训练了一个监督深度学习（SDL）分类器。结果：DRL显著优于SDL，p值为2.4×10^(-7)。DRL在多种分类器性能指标上取得了更优结果，包括F1分数76，而SDL为67。SDL迅速过拟合训练数据，而DRL以渐进方式学习并泛化到独立的测试集。结论：DRL能够以数据高效的方式学习分类ASD与NT，且在小训练集上做到了这一点。未来工作将涉及优化神经网络的数据效率，并将该方法应用于其他fMRI数据集，即脑癌患者数据集。
引用
@article{arxiv.2206.11224,
title = {Deep reinforcement learning for fMRI prediction of Autism Spectrum Disorder},
author = {Joseph Stember and Danielle Stember and Luca Pasquini and Jenabi Merhnaz and Andrei Holodny and Hrithwik Shalu},
journal= {arXiv preprint arXiv:2206.11224},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2106.09812