Whole MILC：跨任务、数据集和人群泛化学习到的动态
机器学习
2021-06-22 v2 机器学习
摘要
行为变化是精神障碍的最早迹象，但可以说，大脑功能的动态更早受到影响。因此，障碍特异性动态的时空结构对于早期诊断和理解障碍机制至关重要。学习判别性特征的常见方法依赖于训练分类器并评估特征重要性。基于手工特征的经典分类器非常强大，但在应用于时空数据的大输入维度时会遭受维数灾难。深度学习算法可以处理这个问题，模型内省可以突出判别性时空区域，但需要更多的样本来训练。本文提出了一种新颖的自监督训练方案，该方案强化了局部到上下文的整个序列互信息（whole MILC）。我们在未标记且无关的健康对照数据上预训练whole MILC模型。我们在三种不同的障碍（i）精神分裂症（ii）自闭症和（iii）阿尔茨海默病以及四项不同研究上测试了我们的模型。我们的算法优于现有的自监督预训练方法，并提供了与经典机器学习算法相当的竞争性分类结果。重要的是，whole MILC能够将受试者诊断归因于fMRI信号中的特定时空区域。
引用
@article{arxiv.2007.16041,
title = {Whole MILC: generalizing learned dynamics across tasks, datasets, and populations},
author = {Usman Mahmood and Md Mahfuzur Rahman and Alex Fedorov and Noah Lewis and Zening Fu and Vince D. Calhoun and Sergey M. Plis},
journal= {arXiv preprint arXiv:2007.16041},
year = {2021}
}
备注
Accepted at MICCAI 2020. arXiv admin note: substantial text overlap with arXiv:1912.03130