G-MIND：一种用于生物标志物识别与疾病分类的端到端多模态影像-遗传框架
定量方法
2021-01-29 v1 机器学习
图像与视频处理
摘要
我们提出一种新颖的深度神经网络架构，在诊断引导下整合影像与遗传数据，提供可解释的生物标志物。我们的模型由编码器、解码器和分类器组成。编码器学习输入数据模态间共享的非线性子空间。分类器与解码器作为正则化器，确保低维编码捕获患者与对照之间的预测性差异。我们使用可学习的 dropout 层从数据中提取可解释生物标志物，且我们独特的训练策略可轻松适应受试者间缺失的数据模态。我们在一个包含两种功能磁共振成像（fMRI）范式和单核苷酸多态性（SNP）数据的精神分裂症群体研究上评估了模型。使用 10 折交叉验证，我们证明模型取得优于基线方法的分类准确率，且该性能泛化到另一站点收集的第二数据集。在探索性分析中，我们进一步表明模型识别的生物标志物与文献记载的精神分裂症缺陷密切相关。
引用
@article{arxiv.2101.11656,
title = {G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification},
author = {Sayan Ghosal and Qiang Chen and Giulio Pergola and Aaron L. Goldman and William Ulrich and Karen F. Berman and Giuseppe Blasi and Leonardo Fazio and Antonio Rampino and Alessandro Bertolino and Daniel R. Weinberger and Venkata S. Mattay and Archana Venkataraman},
journal= {arXiv preprint arXiv:2101.11656},
year = {2021}
}