通过混合潜空间建模在无监督情况下学习结构连接组的获取变异性
机器学习
2026-05-15 v1 人工智能
机器学习
摘要
dMRI 在不同站点、扫描仪和协议之间的获取差异引入了复杂性，使得结构连接组分析受到阻碍。这促使使用能够在低维空间中表示高维连接组，同时显式分离获取相关效应与生物变异的深度学习模型。常规降维方法将所有方差建模为连续因素，因此获取效应常被吸收到连续潜空间中。近期的混合潜空间模型结合离散和连续成分以解决此问题，但通常需要手动调节容量以确保离散成分捕获预期的变异性。我们引入了一个无监督框架，通过对编码器输出在解码前进行架构退火，使模型在训练期间能够自适应地平衡离散和连续潜变量。为评估该方法，我们构建了包含 N=7,416 个结构连接组的数据集，源自 dMRI，年龄覆盖 2 至 102 岁，涵盖 13 项研究，包含 25 种独特获取参数的组合。其中，5,900 名认知正常者，877 名轻度认知障碍患者 (MCI)，以及 639 名阿尔茨海默病患者。我们对比了标准 VAE、PCA 配合 k-means 聚类，以及仅通过损失函数进行退火的混合模型。我们的架构退火在这些基准方法中产生更强的站点学习效果（ARI=0.53, p<0.05）。结果表明，混合连续-离散潜空间通过架构而非损失函数的退火，为捕获 dMRI 获取变异性提供了有效的无监督机制：通过联合建模平滑结构和类别结构，Joint-VAE 能够恢复与扫描仪和协议差异相吻合的聚类。
引用
@article{arxiv.2605.13933,
title = {Unsupervised learning of acquisition variability in structural connectomes via hybrid latent space modeling},
author = {Gaurav Rudravaram and Lianrui Zuo and Karthik Ramadass and Elyssa McMaster and Jongyeon Yoon and Aravind R. Krishnan and Adam M. Saunders and Chenyu Gao and Nancy R. Newlin and Praitayini Kanakaraj and Lori L. Beason Held and Murat Bilgel and Laura A. Barquero and Micah DArchangel and Tin Q. Nguyen and Laurie B. Cutting and Derek Archer and Timothy J. Hohman and Daniel C. Moyer and Bennett A. Landman},
journal= {arXiv preprint arXiv:2605.13933},
year = {2026}
}