基于场地无关元学习与脑MRI的孤独症谱系障碍少样本分类
图像与视频处理
2023-03-16 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
对于医学影像中的机器学习应用，训练数据的可用性常常有限，这阻碍了针对孤独症谱系障碍（ASD）等细微病症的放射学分类器设计。迁移学习是应对低训练数据问题的一种方法。在此，我们探索在多场地已有先验数据的背景下，将元学习用于极低数据场景——我们称之为场地无关元学习（site-agnostic meta-learning）。受元学习在跨多任务优化模型方面有效性的启发，我们提出一个框架将其适配为跨多场地学习。我们在作为孤独症脑影像数据交换（ABIDE）一部分、从38个影像站点收集的2,201张T1加权（T1-w）MRI扫描[年龄：5.2–64.0岁]上测试了我们的元学习模型，用于分类ASD与典型发育对照。该方法被训练为模型寻找良好的初始化状态，从而能通过基于有限可用数据微调，快速适应来自新的未见站点的数据。所提方法在ABIDE中来自7个未见站点的370张扫描上，使用2-way 20-shot（即每站点20个训练样本）的少样本设定取得了ROC-AUC=0.857。我们的结果优于迁移学习基线，能泛化到更广范围的站点以及其他相关已有工作。我们还在独立测试站点上以零样本设定测试了模型，无需任何额外微调。实验显示了所提场地无关元学习框架在涉及多站点异质性与训练数据有限的可挑战神经影像任务中的前景。
引用
@article{arxiv.2303.08224,
title = {Few-Shot Classification of Autism Spectrum Disorder using Site-Agnostic Meta-Learning and Brain MRI},
author = {Nikhil J. Dhinagar and Vignesh Santhalingam and Katherine E. Lawrence and Emily Laltoo and Paul M. Thompson},
journal= {arXiv preprint arXiv:2303.08224},
year = {2023}
}