用于ASD分类与生物标志物选择的可逆网络
计算机视觉与模式识别
2019-10-14 v1
摘要
确定自闭症谱系障碍（ASD）的生物标志物对理解其机制至关重要。近来深度学习方法已在使用fMRI数据的ASD分类任务上取得成功。然而，由于大多数深度学习模型的黑盒性质，难以进行生物标志物选择并解释模型决策。近期提出的可逆网络能从其输出精确重建输入，并有潜力揭示黑盒表示。因此，我们提出一种新方法，以fMRI计算得到的连接矩阵作为输入，利用可逆网络对ASD进行分类并识别生物标志物。具体而言，借助可逆网络，我们显式确定决策边界及数据点在边界上的投影。如同线性分类器，点与其在决策边界上投影之差可视为解释。我们随后将重要性定义为该解释乘以预测相对于输入的梯度（w.r.t），并基于此重要性度量识别生物标志物。我们执行回归任务以进一步验证生物标志物选择：与使用连接矩阵中所有边相比，使用前10%重要边在6种不同严重程度评分上产生了更低的回归误差。实验表明，可逆网络在ASD分类上有效且可解释，从而能够发现可靠生物标志物。
引用
@article{arxiv.1907.09729,
title = {Invertible Network for Classification and Biomarker Selection for ASD},
author = {Juntang Zhuang and Nicha C. Dvornek and Xiaoxiao Li and Pamela Ventola and James S. Duncan},
journal= {arXiv preprint arXiv:1907.09729},
year = {2019}
}