Czy mozemy dokladnie zaklasyfikowac pacjentów ze schizofrenia do zdrowych osób z grupy kontrolnej za pomoca rezonansu magnetycznego i uczenia maszynowego? Badanie wielu metod i wielu zbiorów danych

Uczenie maszynowe jest potężnym narzędziem, które wcześniej było używane do klasyfikowania pacjentów ze schizofrenią (SZ) ze zdrowych kontroli (HC) za pomocą obrazów rezonansu magnetycznego. Każde badanie wykorzystuje jednak różne zestawy danych, algorytmy klasyfikacji i techniki walidacji. W tym miejscu dokonujemy krytycznej oceny dokładności metod uczenia maszynowego stosowanych w badaniach klasyfikacji SZ / HC, porównując trzy algorytmy uczenia maszynowego (regresja logistyczna [LR], maszyny wektora nośnego [SVM] i liniową analizę dyskryminacyjną [LDA]) na trzy niezależne zbiory danych (łącznie 435 osób) z wykorzystaniem dwóch oszacowań gęstości tkanki i grubości korowej (CT). Wydajność ocenia się, stosując 10-krotną walidację krzyżową, a także ustalony zestaw walidacji. Klasyfikacja za pomocą CT przewyższyła gęstości tkanek, ale nie było wyraźnego wpływu zbioru danych. LR, SVM i LDA dawały największą dokładność dla innego zestawu cech i paradygmatu walidacji, ale większość dokładności mieściła się w przedziale od 55 do 70%, znacznie poniżej poprzednio podanych wartości. Najwyższa uzyskana dokładność wyniosła 73,5% przy użyciu danych CT i SVM. Podsumowując, wyniki te ilustrują niektóre przeszkody w konstruowaniu skutecznych klasyfikatorów choroby i sugerują, że gęstości tkanek i CT mogą nie być wystarczająco czułe dla klasyfikacji SZ / HC, biorąc pod uwagę obecne dostępne metody i wielkości próbek. [podobne: wzorcowanie mierników do włosów, leczenie chrapania warszawa, wzorcowanie mierników ]

Powiązane tematy z artykułem: laserowe obkurczanie pochwy leczenie chrapania warszawa wzorcowanie mierników