基于联邦贝叶斯网络从多站点学习抑郁症患者的个性化脑功能连接
机器学习
2023-01-09 v1 神经元与认知
摘要
识别重度抑郁症（MDD）患者的功能连接生物标志物对于增进对该疾病机制的理解和早期干预至关重要。然而，由于可用神经影像数据样本量小且维度高，现有方法的性能往往受限。多站点数据可增强统计功效和样本量，但它们常受站点间异质性和数据共享政策的限制。本文提出一种联邦联合估计器 NOTEARS-PFL，通过连续优化同时学习多个贝叶斯网络（BNs），以识别 MDD 患者疾病引起的改变。我们将站点间共享信息和站点特定信息引入所提出的联邦学习框架，通过引入组融合 lasso 惩罚来学习个性化 BN 结构。我们发展了交替方向乘子法，在局部更新步骤中，神经影像数据在各本地站点处理，然后将学到的网络结构传输至中心进行全局更新。特别地，我们推导了局部更新步骤的闭式表达式，并使用迭代近端投影法处理全局更新步骤中的组融合 lasso 惩罚。我们在合成和真实多站点 rs-fMRI 数据集上评估了所提方法的性能。结果表明，所提 NOTEARS-PFL 比可比方法具有更优的有效性和准确性。
引用
@article{arxiv.2301.02423,
title = {Learning Personalized Brain Functional Connectivity of MDD Patients from Multiple Sites via Federated Bayesian Networks},
author = {Shuai Liu and Xiao Guo and Shun Qi and Huaning Wang and Xiangyu Chang},
journal= {arXiv preprint arXiv:2301.02423},
year = {2023}
}