抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】