从静息态功能连接组实现个体化任务对比的零样本学习预测
计算机视觉与模式识别
2023-10-24 v1
摘要
给定来自受试者的足够多的静息态与任务诱发 fMRI 扫描对，可以训练 ML 模型利用静息态功能 MRI（rsfMRI）扫描预测受试者特定的任务诱发活动。然而，尽管 rsfMRI 扫描相对容易收集，获取足够的任务 fMRI 扫描要困难得多，因为这涉及更复杂的实验设计与流程。因此，对稀缺配对数据的依赖将当前技术的应用限制于训练期间所见过的任务。我们展示这种依赖可通过利用组平均对比来减轻，从而实现对新任务的零样本预测。我们的方法名为 OPIC（即 Omni-Task Prediction of Individual Contrasts 的缩写），以受试者的 rsfMRI 衍生连接组和组平均对比作为输入，产出受试者特定对比的预测。类似于大语言模型中利用特殊输入获得新自然语言处理任务答案的零样本学习，输入组平均对比引导 OPIC 模型泛化到训练未见过的新任务。实验结果表明，OPIC 对新任务的预测不仅优于简单的组平均值，而且与利用域内任务数据训练的最先进模型的域内预测具有竞争力。
引用
@article{arxiv.2310.14105,
title = {Zero-shot Learning of Individualized Task Contrast Prediction from Resting-state Functional Connectomes},
author = {Minh Nguyen and Gia H. Ngo and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:2310.14105},
year = {2023}
}
备注
Accepted at DALI@MICCAI 2023