Meta-RegGNN：利用图神经网络与元学习预测言语与全量表智力分数
神经元与认知
2022-09-28 v1 人工智能
机器学习
摘要
从人脑构造中解析智力对于特定神经障碍的检测至关重要。近来，功能脑连接组已成功用于预测行为分数。然而，现有最优方法一方面忽视连接组的拓扑属性，另一方面无法解决受试者间高度脑异质性问题。为应对这些局限，我们提出一种通过元学习的回归图神经网络，即Meta-RegGNN，用于从脑连接组预测行为分数。我们显式训练所提回归GNN的参数，使得少量梯度步数与少量训练数据即可对未见脑连接组产生良好泛化。我们在言语与全量表智商（IQ）预测上的结果优于神经典型与自闭症谱系障碍队列中的现有方法。此外，我们表明所提方法确保了泛化性，尤其对自闭受试者。我们的Meta-RegGNN源代码见 https://github.com/basiralab/Meta-RegGNN。
引用
@article{arxiv.2209.13530,
title = {Meta-RegGNN: Predicting Verbal and Full-Scale Intelligence Scores using Graph Neural Networks and Meta-Learning},
author = {Imen Jegham and Islem Rekik},
journal= {arXiv preprint arXiv:2209.13530},
year = {2022}
}