协方差神经网络的可迁移性及其基于解剖学特征的可解释脑龄预测应用
机器学习
2023-05-08 v2 应用统计
机器学习
摘要
图卷积网络（GCN）利用拓扑驱动的图卷积操作来整合图上信息以完成推理任务。在我们近期的工作中，我们研究了以协方差矩阵作为图的 GCN，即协方差神经网络（VNN），其与传统的基于 PCA 的数据分析方法有相似之处，同时具有显著优势。本文首先致力于从理论上刻画 VNN 的可迁移性。可迁移性这一概念源于一种直观期望：学习模型能够以最小代价泛化到“兼容”的数据集（可能具有不同维度）。VNN 从 GCN 继承了尺度无关的数据处理架构，而本文中我们证明，当数据集的协方差矩阵收敛到一个极限对象时，VNN 表现出性能的可迁移性。多尺度神经影像数据集能够在多个尺度上研究大脑，因此可验证关于 VNN 可迁移性的理论结果。为衡量 VNN 在神经影像数据分析中的优势，我们聚焦于利用皮层厚度特征进行“脑龄”预测的任务。在临床神经科学中，人们对能够提供偏离实际年龄的“脑龄”估计的机器学习算法兴趣日增。我们利用 VNN 的架构，超越阿尔茨海默病（AD）中脑龄差的粗略度量，并得出两个重要观察：（i）VNN 能为 AD 中升高的脑龄差赋予解剖学可解释性；（ii）VNN 所提供的可解释性取决于其利用解剖协方差矩阵中特定主成分的能力。我们进一步利用 VNN 的可迁移性在不同数据集上交叉验证了上述观察。
引用
@article{arxiv.2305.01807,
title = {Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features},
author = {Saurabh Sihag and Gonzalo Mateos and Corey T. McMillan and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2305.01807},
year = {2023}
}
备注
Fixed minor typos