研究发现通过无监督迁移学习提升精神分裂症患者基于 脑功能影像数据机器学习分类的跨中心泛化性
来源：心理研究所 2019-11-03 14:03
在临床研究领域，机器学习已被广泛用于优化脑影像数据分析和建立预测模型来对精神分裂症患者进行分类。评估泛化性是对预测模型性能评价的重要步骤，然而对该方面问题进行探讨的临床研究却很少。为了解决这一问题，中国科学院心理研究所心理健康重点实验室神经心理和应用认知神经科学（NACN）实验室研究员陈楚侨与国际合作者开展了一项专门基于静息态磁共振成像对精神分裂症患者机器学习分类泛化性的探讨。其中，研究者们采用内
在临床研究领域，机器学习已被广泛用于优化脑影像数据分析和建立预测模型来对精神分裂症患者进行分类。评估泛化性是对预测模型性能评价的重要步骤，然而对该方面问题进行探讨的临床研究却很少。
为了解决这一问题，中国科学院心理研究所心理健康重点实验室神经心理和应用认知神经科学（NACN）实验室研究员陈楚侨与国际合作者开展了一项专门基于静息态磁共振成像对精神分裂症患者机器学习分类泛化性的探讨。其中，研究者们采用内部验证法和外部验证法来分别用于评估中心内和跨中心的泛化性。
该研究招募了51名精神分裂症患者和51名健康对照组作为主要数据集，34位精神分裂症患者和27名健康对照组作为验证集，并且采集了所有被试的静息态磁共振成像数据和结构像数据。首先，研究者们在主要数据库中评估中心内的泛化性，得到了0.73的正确率。接着，将主要数据库作为训练集，考察在训练集中得到的预测模型跨中心泛化到验证集中表现，得到了0.56的正确率（经置换检验不显着）。最后，考虑到跨中心泛化性的表现较差，研究者基于额外未标签数据对非监督学习算法进行更新，得到了0.70的正确率（经置换检验显着）。
研究发现指出，未来需要更多研究的推进来促进跨多数据库机器学习的应用。同时，在该研究中发现迁移学习优化分类的结果，强调了在建立跨样本和中心预测模型时纳入样本相关因素的重要性。总之，该研究提示当前对于基于单个机器学习分类研究的结果应当谨慎解读。
该研究受国家重点研究发展规划项目、国家自然科学基金、北京市科学与技术领军人才项目和中科院心理所心理健康重点实验室的支持。
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
