用于脑网络分类的机器学习方法：基于皮层形态网络的自闭症诊断应用
机器学习
2020-04-29 v1 机器学习
摘要
自闭症谱系障碍（ASD）在不同层面上影响脑连接。然而，由于 ASD 的异质性，使用磁共振成像（MRI）非侵入性地分辨这些效应对于机器学习诊断框架而言仍非常困难。迄今为止，现有的网络神经科学工作主要关注功能（源自功能 MRI）和结构（源自扩散 MRI）脑连接，这可能无法捕捉脑区之间关联性的形态变化。事实上，使用源自常规 T1 加权 MRI 的形态脑网络进行 ASD 诊断的机器学习（ML）研究极为稀少。为填补这一空白，我们通过组织 Kaggle 竞赛进行众包，构建用于神经障碍诊断的机器学习流水线池，应用于使用源自 T1 加权 MRI 的皮层形态网络进行 ASD 诊断。竞赛期间，向参与者提供训练数据集，且仅允许在公开测试数据上查看其性能。最终评估基于准确率、灵敏度和特异性指标在公开与隐藏测试数据集上进行。各团队按每项性能指标分别排名，最终排名由所有排名的均值确定。排名第一的团队达到 70% 准确率、72.5% 灵敏度和 67.5% 特异性，排名第二的团队分别达到 63.8%、62.5%、65%。在竞争性机器学习环境中借助参与者设计 ML 诊断方法，得以广泛探索和基准测试使用皮层形态网络进行 ASD 诊断的多种 ML 方法。
引用
@article{arxiv.2004.13321,
title = {Machine Learning Methods for Brain Network Classification: Application to Autism Diagnosis using Cortical Morphological Networks},
author = {Ismail Bilgen and Goktug Guvercin and Islem Rekik},
journal= {arXiv preprint arXiv:2004.13321},
year = {2020}
}