利用少量数据将机器学习诊断模型适应新的人群:临床神经科学研究结果
通过在脑电图研究中使用不同的机器学习算法,并结合 SHAP 值的解释能力,我们发现算法的变异性对于脑龄预测的研究结果的一致性有重要影响。
Feb, 2024
本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像,通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力,进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现,更广泛的训练图像可以提高模型的泛化能力,并且未来的深度学习研究需要在多个外部队列上进行评估,以得到可靠的结果。
Nov, 2019
通过对 Shapley 值的解释,研究了极端梯度提升、随机森林和支持向量机等黑盒模型,以及决策树、逻辑回归等可直观解释的模型在早期阿尔茨海默病(Alzheimer's Disease, AD)检测上的应用。结果表明,模型的性能因评估的不同数据集而异。ADNI 和 AIBL 数据集的分类性能得到了显著提高,认知测试分数训练的模型表现出更好的性能,而大脑体积训练的模型表现较差。
May, 2022
通过严格遵守数据处理、实验设计和模型评估等最佳实践,本研究旨在确保机器学习在临床实践中作为可靠工具的地位。以阿尔茨海默病检测为例,我们研究了不同的数据增强技术和模型复杂度对整体性能的影响,采用 3D 卷积神经网络处理 ADNI 数据集的分类问题。通过交叉验证和多次训练试验,我们训练了 15 个预测模型,考虑了三种不同的数据增强策略和五种不同的 3D 卷积神经网络架构,每种架构的卷积层数不同。通过数据增强和模型复杂度的综合效应,准确率的预测性能变化高达 10%。当分别应用仿射变换时,模型的准确性更高,与采用的架构无关。对于所有策略,模型准确率随着卷积层数的增加呈现凹曲线行为,在中间值层次达到峰值。最佳模型(8 个卷积层、架构 B)在交叉验证折数和训练试验中最稳定,在测试集和外部测试集上表现出色。
Sep, 2023
阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病,通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划(ADNI)和开放获取系列成像研究 3(OASIS-3)的磁共振成像数据,主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳,准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集,核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率,而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制,本研究的数据协调方法增强了生物标志物选择的稳健性,预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。
May, 2024
使用深度学习和卷积神经网络方法,预测健康人群的大脑年龄,并建立其作为大脑衰老过程个体差异性的生物标志物的资格,该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高,具有高度的可靠性和遗传学效度,可用于评估大脑老化的生物标志物,并且可以在原始数据上准确生成预测,实现在临床现场获得大脑健康信息。
Dec, 2016
本研究旨在将深度神经进化算法(DNE)应用于来自不同机构的图像数据集中,以解决人工智能在放射学中的过度拟合和泛化问题,并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明,该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性,为实现临床可行的人工智能提供了重要的贡献。
Nov, 2022
通过 AI 技术应用于神经影像数据,潜在改善早期阿尔茨海默病的诊断、预后及管理。解决数据标准化、模型可解释性、泛化性、临床整合和道德考虑等挑战对于实现 AI 在阿尔茨海默病研究和临床实践中的完全潜力至关重要。研究者、临床医生和监管机构的合作努力是为了开发可靠、稳健和道德的 AI 工具,造福于阿尔茨海默病患者和社会所必需的。
Jun, 2024
本文介绍了 AdaptiveNet 重复神经网络的体系结构,以处理电子病历的多个事件列表,并应用于风湿性关节炎的疾病进展预测,优于传统基线方法。
Aug, 2020