脑障碍分类的功能连接特征选择与稳定性分析

脑障碍是一类影响思维、情感和行为的神经精神疾病，这些疾病在全球范围内给个人和医疗系统都提出了重大挑战。本研究探讨了基于可解释机器学习的脑连接图（亦称connectome）分类能力。该方法通过利用来自功能磁性共振成像（fMRI）数据派生的脑连接图来实现。为了分析基于connectome的特征，我们研究了几种不同的特征选择方法，包括最小绝对收缩与选择算子（LASSO）、Relief以及方差分析（ANOVA），此外还有逻辑回归（LR）分类器。首要目标是评估和比较不同特征选择方法在区分健康对照和患病个体方面的分类准确率。其次是评估所选特征的稳定性。最后目标是识别对分类有影响的脑区。实验应用于UCLA数据集时，LASSO方法——本研究最有效的策略——实现了91.85%的分类准确率和0.74的稳定性指数，显著优于其他方法：Relief和ANOVA。这些方法在定位可信的生物标志物方面有效，促进了connectome 基分类在影响脑问题方面的发展。