基于可扩展且空间感知的支持向量机利用功能连接组进行疾病预测
机器学习
2014-03-26 v2
摘要
大量证据表明，主要精神障碍与分布式的神经连接失调有关，这使得人们强烈倾向于使用神经影像学方法来准确预测障碍状态。在这项工作中，我们特别关注一种利用源自全脑静息态功能连接组的特征的多变量方法。然而，功能连接组存在于高维空间中，这使模型解释变得复杂并引入了众多的统计和计算挑战。传统的特征选择技术用于降低数据维度，但忽略了连接组的空间结构。我们提出了一个正则化框架，其中通过融合 Lasso 或 GraphNet 正则化器显式地考虑了功能连接组的 6-D 结构。我们的方法仅限制损失函数为凸函数且基于间隔，允许使用诸如合页损失 (hinge-loss) 之类的不可微损失函数。将融合 Lasso 或 GraphNet 正则化器与合页损失结合使用，可得到具有嵌入式特征选择的结构化稀疏支持向量机 (SVM)。我们引入了一种基于增广拉格朗日法和经典交替方向法的高效优化算法，该算法只需极少修改即可求解融合 Lasso 和 GraphNet 正则化的 SVM。我们还证明了通过将变量分裂策略与数据增强方案相结合，可以以解析形式高效地求解算法的内部子问题。在模拟数据和来自大型精神分裂症数据集的静息态扫描上的实验表明，我们提出的方法能够识别在 6-D“连接组空间”中空间连续的区域，提供了额外的可解释性层，这可能为各种疾病过程提供新的见解。
引用
@article{arxiv.1310.5415,
title = {Disease Prediction based on Functional Connectomes using a Scalable and Spatially-Informed Support Vector Machine},
author = {Takanori Watanabe and Daniel Kessler and Clayton Scott and Michael Angstadt and Chandra Sripada},
journal= {arXiv preprint arXiv:1310.5415},
year = {2014}
}