基于 Transformer 的规范建模用于早期精神分裂症异常检测
机器学习
2022-12-12 v1 人工智能
摘要
尽管精神疾病对临床健康影响重大，早期阶段诊断仍具挑战。机器学习研究表明，分类器在诊断预测任务中往往过于狭窄。疾病间的重叠导致受试者间高度异质性，而分类模型未能充分捕捉该异质性。为解决此问题，规范方法作为一种替代方案兴起。通过使用生成模型学习健康脑数据模式的分布，我们可将病理的存在识别为模型所学分布的偏离或离群值。特别地，深度生成模型作为规范模型在识别脑部神经病变方面表现出色。然而，与大多数神经病变不同，精神疾病呈现广泛分布于多个脑区的细微变化，使这些改变难以识别。本工作中，我们评估基于 Transformer 的规范模型检测青少年与年轻成人中表现的细微脑变化的能力。我们在神经典型个体（N=1,765）的 3D MRI 扫描上训练模型。随后，我们从人类连接组计划（Human Connectome Project）的独立数据集（N=93）中获取神经典型对照与早期精神分裂症精神病患者的似然。使用扫描的预测似然作为规范分数的替代，我们在对照与早期精神分裂症患者差异评估中获得 0.82 的 AUROC。我们的方法超越了近期基于脑龄与高斯过程的规范方法，展示了深度生成模型在个体化分析中的 promising 应用。
引用
@article{arxiv.2212.04984,
title = {Transformer-based normative modelling for anomaly detection of early schizophrenia},
author = {Pedro F Da Costa and Jessica Dafflon and Sergio Leonardo Mendes and João Ricardo Sato and M. Jorge Cardoso and Robert Leech and Emily JH Jones and Walter H. L. Pinaya},
journal= {arXiv preprint arXiv:2212.04984},
year = {2022}
}
备注
10 pages, 2 figures, 2 tables, presented at NeurIPS22@PAI4MH