极端数据稀缺下的学习：轻量级CNN在fMRI-based早期帕金森检测中的subject-level评估
摘要
深度学习常用于数据有限、相关且难以获取的场景，但评估实践不总能反映这些约束。生产性帕金森病的神经影像学就是一种典型例证，该病病例数量有限且单个扫描产生大量高度相关的样本。本文将静息态fMRI用于生产性帕金森检测视为一种面临极端数据稀缺的机器学习问题。使用40例受试者（包括20例生产性帕金森病病例和20例健康对照）的fMRI数据，对ImageNet预训练的卷积神经网络进行微调和评估，采用两种不同的数据分区策略。结果表明，常用的图像级划分允许同一受试者的切片同时出现在训练和测试集中，导致严重的信息泄露并接近完美准确率。当强制执行严格的subject-level划分时，性能大幅下降，测试准确率在60%至81%之间。对于不同容量配置的模型进行比较，包括VGG19、Inception V3、Inception ResNet V2和轻量级MobileNet V1。在subject-level评估下，MobileNet表现出最可靠的泛化能力，尽管参数显著少于更深层的架构，却表现出更佳性能。这些结果表明，在极端低数据 regime下，评估策略和模型容量对性能影响远大于网络结构深度。虽然该分析仅限于40例受试者的单个队列，不包括外部验证或交叉验证，但它提供了一个具体案例研究和实用建议，帮助在严重数据稀缺的情况下评估深度学习模型。
引用
@article{arxiv.2603.00060,
title = {Learning Under Extreme Data Scarcity: Subject-Level Evaluation of Lightweight CNNs for fMRI-Based Prodromal Parkinsons Detection},
author = {Naimur Rahman},
journal= {arXiv preprint arXiv:2603.00060},
year = {2026}
}
备注
Methodological case study cs.LG on subject-level evaluation and model capacity under extreme data scarcity; 9 pages, 1 figure. Experiments use 40-subject PPMI fMRI cohort; no external validation