利用元分析数据库通过迁移学习提高准确性和统计功效
机器学习
2012-10-01 v2
摘要
脑成像研究中的典型队列规模不足以对图像中包含的所有信息进行系统测试。为了构建可检验的工作假设，研究人员因此依赖于对先前工作的分析，有时将其形式化为所谓的元分析。在脑成像中，这种方法构成了感兴趣区域（ROIs）规范的基础，这些区域通常基于先前检测到的效应坐标进行选择。在本文中，我们提出使用图像数据库而非坐标，并将该问题构建为迁移学习：在参考任务上学习判别模型，并将其应用于不同但相关的新任务。为了促进小队列的统计分析，我们使用了一种稀疏判别模型，该模型在参考任务上选择预测性体素，从而提供了定义 ROIs 的原则性程序。我们方法的好处有两方面：首先，它利用参考数据库进行预测，即在临床环境中提供潜在的生物标志物；其次，它提高了新任务的统计功效。我们在 18 对功能性磁共振成像（fMRI）实验条件上证明了我们的方法具有良好的预测能力。此外，在涉及不同地点不同扫描仪的特定迁移情境中，我们展示了基于迁移学习的体素选择能在小队列上带来更高的检测功效。
引用
@article{arxiv.1209.5375,
title = {Improving accuracy and power with transfer learning using a meta-analytic database},
author = {Yannick Schwartz and Gaël Varoquaux and Christophe Pallier and Philippe Pinel and Jean-Baptiste Poline and Bertrand Thirion},
journal= {arXiv preprint arXiv:1209.5375},
year = {2012}
}
备注
MICCAI, Nice : France (2012)