从多站点静息态数据中提取可重复的生物标志物：以自闭症为例
机器学习
2016-11-21 v1 神经元与认知
摘要
静息态功能磁共振成像有望揭示神经精神疾病的生物标志物。然而，对于复杂的多层面神经病理学（如自闭症谱系障碍），提取此类生物标志物具有挑战性。大型多站点数据集通过增加样本量来弥补这种复杂性，但代价是引入了不受控的异质性。这种异质性带来了新的挑战，类似于在现实诊断应用中所面临的挑战。在此，我们展示了神经精神状态跨站点分类的可行性，并将其应用于 ABIDE（Autism Brain Imaging Data Exchange）数据库——一个大型（N=871）的多站点自闭症数据集。为此，我们研究了从数据中提取最具预测性的生物标志物的流程。这些 R-fMRI 流程基于功能定义的脑区构建受试者特异性的连接组。随后，通过跨受试者比较连接组，学习区分典型对照组与自闭症个体的连接模式。我们对来自相同采集站点或不同未见站点的受试者进行该神经精神状态预测。流程各步骤方法的良好选择在完整 ABIDE 数据上实现了 67% 的预测准确率，显著优于先前报告的结果。我们在由不同纳入标准定义的多个数据子集上进行了广泛验证。这使得详细分析促成基于连接组预测成功的因素成为可能。首先，随着纳入受试者数量的增加，预测准确率有所提高，直至达到可用受试者的最大数量。其次，功能脑区的定义对生物标志物发现至关重要：从大型 R-fMRI 数据集中提取的脑区在分类任务中优于参考图谱。
引用
@article{arxiv.1611.06066,
title = {Deriving reproducible biomarkers from multi-site resting-state data: An Autism-based example},
author = {Alexandre Abraham and Michael Milham and Adriana Di Martino and R. Cameron Craddock and Dimitris Samaras and Bertrand Thirion and Gaël Varoquaux},
journal= {arXiv preprint arXiv:1611.06066},
year = {2016}
}
备注
in NeuroImage, Elsevier, 2016