NeuroGraph：脑连接组学中图机器学习的基准数据集
机器学习
2024-11-25 v4 人工智能
神经元与认知
摘要
机器学习为分析高维功能神经影像数据提供了有价值的工具，并已被证明能有效预测各种神经系统疾病、精神障碍和认知模式。在功能磁共振成像（MRI）研究中，脑区之间的相互作用通常使用基于图的表示来建模。图机器学习方法的效力已在众多领域得到确立，标志着数据解释与预测建模的变革性一步。然而，尽管前景广阔，由于潜在的预处理流程数量庞大以及基于图的 dataset 构建的参数搜索空间巨大，这些技术向神经影像领域的迁移一直具有挑战性。本文中，我们介绍 NeuroGraph，一个基于图的神经影像数据集集合，并展示了其在预测多类行为与认知特征上的效用。我们通过精心构建涵盖静态与动态脑连接的 35 个数据集，深入探究了数据集生成的搜索空间，并运行超过 15 种基线方法进行基准测试。此外，我们提供了用于静态与动态图学习的通用框架。我们广泛的实验得出了若干关键观察。值得注意的是，使用相关向量作为节点特征、纳入更多感兴趣区域以及采用更稀疏的图可带来性能提升。为促进基于图的数据驱动神经影像分析的进一步进展，我们提供了一个全面的开源 Python 包，包含基准数据集、基线实现、模型训练与标准评估。
引用
@article{arxiv.2306.06202,
title = {NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics},
author = {Anwar Said and Roza G. Bayrak and Tyler Derr and Mudassir Shabbir and Daniel Moyer and Catie Chang and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2306.06202},
year = {2024}
}
备注
NeurIPS23