多特征拼接与多分类器堆叠：一种可解释可泛化的rsfMRI抑郁症判别机器学习方法
机器学习
2023-08-21 v1 信号处理
摘要
重度抑郁障碍是一种严重且异质性的精神障碍，需要准确诊断。静息态功能磁共振成像(rsfMRI)可捕捉脑结构、功能与连接的多个视角，日益应用于精神疾病的诊断与病理研究。随后各类机器学习算法被开发以利用rsfMRI中的丰富信息并判别MDD患者与正常对照。尽管已有近期进展，判别准确率仍有进一步提升空间，方法的泛化性与可解释性也未得到充分关注。在此，我们提出一种通过拼接多特征与堆叠多分类器进行MDD判别的机器学习方法(MFMC)。MFMC在包含25个不同站点2428名受试者的REST-meta-MDD数据集上测试，取得96.9%的MDD判别准确率，较现有方法显著提升。此外，当训练与测试受试者来自独立站点时，MFMC的良好性能验证了其泛化性。使用XGBoost作为元分类器使我们能探查MFMC的决策过程。我们识别出与9个脑区（包括后扣带回、额上回眶部、角回）相关的13个特征值，它们对分类贡献最大且在组水平呈显著差异。仅用这13个特征值即可达到MFMC使用全部特征值时87%的性能。这些特征未来或可作为精神障碍临床有用的诊断与预后生物标志物。
引用
@article{arxiv.2308.09360,
title = {Multi-feature concatenation and multi-classifier stacking: an interpretable and generalizable machine learning method for MDD discrimination with rsfMRI},
author = {Yunsong Luo and Wenyu Chen and Ling Zhan and Jiang Qiu and Tao Jia},
journal= {arXiv preprint arXiv:2308.09360},
year = {2023}
}