認知におけるタスクベースfMRIと個人差の関係を予測するための説明可能な機械学習アプローチ【JST・京大機械翻訳】

Pornpattananangkul, N.; Wang, Y.; Bartonicek, A.; Candia, J.; Stringaris, A.

プレプリント

J-GLOBAL ID：202202216247472158 整理番号：22P0251092

認知におけるタスクベースfMRIと個人差の関係を予測するための説明可能な機械学習アプローチ【JST・京大機械翻訳】

Explainable Machine Learning Approach to Predict and Explain the Relationship between Task-based fMRI and Individual Differences in Cognition

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月27日プレプリントサーバーでの情報更新日： 2022年04月27日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

何十年の高価な研究にもかかわらず,タスクベースのfMRIからの認知における個人差を正確に予測できない。さらに,より高い予測の方法の目的は十分ではない。脳認知関係を理解するために,これらの方法が予測を行うために脳情報を引き出す方法を説明する必要がある。ここでは,思春期脳認知発達(n=3,989)からのデータを用いて,n-back作業記憶タスク中のタスクベースfMRIからの認知を予測するために,説明可能な機械学習(ML)フレームワークを適用した。12の認知能力を予測する能力において9つの予測アルゴリズムを比較した。質量-単変量およびOLS多重回帰に対するMLアルゴリズムからのより良いサンプル外予測を見出した。MLアルゴリズムの中で,線形弾性ネット,線形および付加アルゴリズムは,非線形および対話型アルゴリズムと同等か,または,より良く実行した。SHapley加法説明,eNetXplor,Accumulated局所効果およびFriedmans H-統計を用いて,これらのアルゴリズムが情報をどのように引き出すかを説明した。これらの説明者は,OLS多重回帰に対するMLの利点を示した。例えば,MLは,以前の研究(Sripada et al.2020)と,異なる領域における脳認知関係の方向性における質量-単変量アプローチとの整合性で,いくつかの一貫性を提供した。従って,著者らの説明可能なMLフレームワークは,標準方法論に対するブースト予測と説明可能性を有するタスクベースfMRIからの認知を予測した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

医用画像処理 , 中枢神経系

, , , , , ,

前のページに戻る