基于功能连接组学的神经精神疾病分类——神经影像迁移学习连接组学挑战赛结果
神经元与认知
2020-11-26 v2 机器学习
摘要
大型开源联盟数据集推动了脑连接组学中新的、日益强大的机器学习方法的发展。然而，一个关键问题仍然存在：我们捕捉到的是关于大脑的生物相关且可泛化的信息，还是仅仅在对数据过拟合？为回答此问题，我们组织了一项科学挑战赛——神经影像迁移学习连接组学挑战赛（CNI-TLC），与MICCAI 2019联合举办。CNI-TLC包括两项分类任务：（1）对青春期前队列中的注意缺陷/多动障碍（ADHD）进行诊断；（2）将ADHD模型迁移至患有ADHD共病的自闭症谱系障碍（ASD）相关队列。总计发布了240个静息态fMRI时间序列，按三种标准脑区分割图谱进行平均，并附带临床诊断，用于训练和验证（120名神经典型对照和120名ADHD）。我们还提供了年龄、性别、智商和利手等人口统计学信息。第二组100名受试者（50名神经典型对照、25名ADHD和25名伴ADHD共病的ASD）用于测试。模型以Docker镜像的标准化格式通过ChRIS（一个开源图像分析平台）提交。我们采用包容性方法，基于16种不同指标对方法排序。最终排名使用每位参与者在所有度量上的秩乘积计算。此外，我们评估了每种方法的校准曲线。五名参与者提交了模型用于评估，其中一名在ADHD和ASD分类中均优于所有其他方法。然而，要实现功能连接组学的临床转化仍需进一步改进。我们将CNI-TLC作为公开可用资源保持开放，用于开发和验证连接组学领域的新分类方法。
引用
@article{arxiv.2006.03611,
title = {Neuropsychiatric Disease Classification Using Functional Connectomics -- Results of the Connectomics in NeuroImaging Transfer Learning Challenge},
author = {Markus D. Schirmer and Archana Venkataraman and Islem Rekik and Minjeong Kim and Stewart H. Mostofsky and Mary Beth Nebel and Keri Rosch and Karen Seymour and Deana Crocetti and Hassna Irzan and Michael Hütel and Sebastien Ourselin and Neil Marlow and Andrew Melbourne and Egor Levchenko and Shuo Zhou and Mwiza Kunda and Haiping Lu and Nicha C. Dvornek and Juntang Zhuang and Gideon Pinto and Sandip Samal and Jennings Zhang and Jorge L. Bernal-Rusiel and Rudolph Pienaar and Ai Wern Chung},
journal= {arXiv preprint arXiv:2006.03611},
year = {2020}
}
备注
CNI-TLC was held in conjunction with MICCAI 2019