Консолидация различных вариантов сетевых структур мозга при решении задачи классификации нормы и патологии

P. 256–263.

Сафиуллин А. Э., Додонова Ю. А.

В данной работе решается задача классификации людей с расстройством аутистического спектра и нормальным развитием на основе сетевых структур головного мозга (коннектомов). Мы сравниваем различные подходы к построению алгоритмов машинного обучения в условиях, когда каждый объект представлен не одним коннектомом, а набором таких сетей, возникающим при применении к исходным данным различных способов взвешивания и нормировки. Мы рассматриваем алгоритмы двухуровневой классификации: стекинга и блендинга моделей, обученных на коннектомах с отдельными видами взвешивания и нормировки. На объединении различных вариантов коннектомов мы также строим discriminative fusion классификатор - логистическую регрессию на взвешенной комбинации данных. Наилучшее качество классификации (ROC AUC порядка 0.8) было получено для блендинга - взвешенной комбинации моделей логистических регрессий; построенная двухуровневая модель превосходит по качеству классификации индивидуальные модели первого уровня.

Ключевые слова: машинное обучение, machine learning, коннектомы

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА: Машинное обучение на данных нейроимаджинга с целью различения фенотипических групп (2016)

В книге

Сборник статей конференции "Информационные технологии и системы" (ИТиС'16)

М.: ИППИ РАН, 2016.