基于 MRI 的人脑连接组数据的机器学习

功能磁共振成像 (fMRI) 和扩散磁共振成像 (dMRI) 是非侵入性成像方式，可对患者的脑网络（称为连接组）进行活体分析。这些技术的应用使得神经系统疾病的诊断和治疗更快更好，并加深了对人脑的理解。最近，研究人员探索将机器学习模型应用于连接组数据，以预测临床结果并分析脑中子网络的重要性。连接组数据具有独特的性质，在用于机器学习时既带来特殊挑战也带来机遇。本工作的目的是综述将机器学习模型应用于基于 MRI 的连接组数据这一主题的文献。该领域发展迅速，现已涵盖大量研究。为总结迄今完成的研究，我们提供了 77 篇相关工作的比较性结构化总结，按不同标准制成表格，代表了该主题的大部分文献。（我们也在 http://connectomelearning.cs.sfu.ca 在线发布了该表格的动态版本，供社区持续贡献。）在概述连接组如何由 dMRI 和 fMRI 数据构建之后，我们讨论了利用连接组数据探索的各种机器学习任务。然后我们比较所采用的不同机器学习方法的优缺点，讨论不同的特征选择和特征提取方案，以及学习模型和正则化惩罚本身。在整个讨论中，我们特别关注方法如何适应图形化连接组数据的独特性质。最后，我们总结当前最先进水平，并勾勒出我们认为的未来研究战略方向。