Машинное обучение для аппроксимации конечных точек в клинической неврологии на основе гетерогенных входных данных

Благодаря машинному обучению изучение здоровья мозга вышло за рамки сравнения средних показателей по группе. Статистический взгляд на машинное обучение как на аппроксимацию функций в больших измерениях привлекателен для клинической нейробиологии, поскольку позволяет надежно моделировать клинические конечные точки на основе обширных и разнородных входных данных [1]. Полная реализация этой исследовательской программы в настоящее время зависит от решения важных задач, связанных с реальностью данных в клинической нейробиологии. В режиме малых выборок, обычном для клинических исследований нейробиологии, объединение различных методов визуализации и электрофизиологии делает упор на глубокие знания предметной области, хорошие априорные значения и гибкую обработку недостающих входных данных [2-3]. Когда актуальная конечная точка, например нейропсихиатрическая диагностика стоит дорого, общее количество меченых образцов может оказаться недостаточным для обеспечения высокоточного машинного обучения. В таких ситуациях разработка косвенных показателей, основанных на широко доступных обозначенных целевых показателях, таких как возраст, обеспечивает жизнеспособный обходной путь [2-4]. Даже когда данные доступны в большом количестве, изучение психического здоровья часто создает дополнительную проблему, поскольку, в отличие от соматической медицины, не существует подтверждающих мер, таких как определение уровня инсулина в плазме при диабете. Здесь создание различных косвенных показателей становится образом жизни, и, в зависимости от интересующей цели, поведенческие и социально-демографические входные данные могут стать средством изучения психического здоровья [4]. Это поднимает вопрос, можно ли использовать само машинное обучение для автоматического извлечения прокси-показателей из сигналов мозга без явного выбора одной конкретной прокси-цели. Недавние достижения в области глубокого обучения и нелинейного анализа независимых компонентов привели к появлению парадигмы обучения с самоконтролем. Применительно к данным ЭЭГ, SSL легко фиксирует структуру клинических записей, отражающих различные факторы, такие как клинический оператор, выбор электрода, дата, возраст, стадии сна и нейропсихиатрическая патология [5]. Хотя причинные механизмы все еще исследуются на основе экспериментальных подходов, парадигма статистического обучения предлагает жизнеспособный инструмент для изучения психического здоровья с использованием множественных методов визуализации, электрофизиологических и поведенческих методов, основанных на всех доступных данных.
Источники:

[1] Engemann, Raimondo, King, Rohaut, Louppe, Faugeras, Annen, Cassol, Gosseries, Fernandez-Slezak, Laureys, Naccache, Dehaene and Sitt. Robust EEG-based cross-site and cross-protocol classification of states of consciousness (2018). Brain 141 (11),  3179–3192, https://doi.org/10.1093/brain/awy251

[2] Engemann, DA., Kozynets, O., Sabbagh, D., Lemaitre, G., Varoquaux, G., Liem, F., & Gramfort, A. (2020). Combining magnetoencephalography with MRI enhances learning of surrogate-biomarkers. eLife. 9:e54055. 10.7554/eLife.54055

[3] Sabbagh, D., Ablin, P., Varoquaux, G., Gramfort, A., & Engemann, DA. (2020).  Predictive regression modeling with MEG/EEG: from source power to signals and cognitive states. NeuroImage. https://doi.org/10.1016/j.neuroimage.2020.116893

[4] Dadi,  K., Varoquaux, G., Houenou, J., Bzdok, D., Thirion, B., Engemann, DA. (2020). Beyond brain age: Empirically-derived proxy measures of mental health. bioRiv preprint. https://doi.org/10.1101/2020.08.25.266536

[5] Banville, H. Chehab, O., Hyvärinen, A., Engemann, DA, Gramfort, A. (2020). Uncovering the structure of clinical EEG signals with self-supervised learning. arXiv preprint. https://arxiv.org/abs/2007.16104

 Участие на семинаре доступно после прохождения регистрации.
Заполнить регистрационную форму
Войти на семинар