研究表明，功能連接可揭示生物標志物的個體心理或臨床特征。然而在靜息態(tài)功能磁共振的典型分析中，不同研究者對其分析方法的選擇并不固定且存在很多差異。為此，對靜息態(tài)數(shù)據(jù)進行一種特定類型的研究將具有較強的現(xiàn)實意義，所以我們選擇了一種預(yù)測模型（針對功能連接），接下來本文將對此選擇做出合理的解釋。本文發(fā)表在Neuroimage雜志。
研究方法：
本文系統(tǒng)地研究了 6 個不同隊列的預(yù)測模型（被試2000人左右）。這些模型涉及的病癥及考慮的因素為：神經(jīng)退行性疾病（阿爾茨海默氏癥、創(chuàng)傷后應(yīng)激障礙）、精神障礙疾?。ň穹至寻Y、自閉癥）、藥物影響（大麻使用）、臨床環(huán)境和心理特征（流體智力）。人們對rest-fMRI 的預(yù)測過程主要包括三個步驟：定義腦區(qū)、確定交互作用以及監(jiān)督學習的最優(yōu)方案。本文對于任何一步都會進行基準測試： 在實驗過程中，本文采用8種方法定義腦區(qū)（從REST-fMRI數(shù)據(jù)中預(yù)定義或直接生成），采取3種措施建立功能連接（從提取的時間序列中），構(gòu)建10個分類模型（為比較受試者之間的交互作用）。盡管人口分布及地點存在差異性，但本文仍然對240多個不同的管道進行了總結(jié)，且對本文的模型進行了概括。研究發(fā)現(xiàn)，實驗效果在根據(jù)功能數(shù)據(jù)所定義的區(qū)域上達到最好，且人們利用諸如線性回歸這種線性預(yù)測模型，其預(yù)測效果最佳。
研究背景：
靜息態(tài)功能磁共振成像(Rest-fMRI)是一種無特定任務(wù)的腦活動的分析，目前，它已成為探測人腦功能（針對健康人群及疾病人群）的首選工具。同時由于REST-fmri數(shù)據(jù)容易獲得、前景廣闊的特點，這就導(dǎo)致人們開始大規(guī)模地收集REST-fMRI數(shù)據(jù)（如2013年，Van Essen等人的人類連接組項目）。由于大樣本的數(shù)據(jù)，其統(tǒng)計分析結(jié)果更準確，更更具有說服力，所以人們將較容易獲得的rest-fmri腦影像數(shù)據(jù)與人體神經(jīng)病理等臨床癥狀聯(lián)系起來，他們利用REST-fMRI數(shù)據(jù)，構(gòu)建預(yù)測模型、建立生物標記物。
人們可以從REST-fMRI數(shù)據(jù)中提取出功能連接體（表征大腦的網(wǎng)絡(luò)結(jié)構(gòu)），而且人們可用大腦功能連接體的權(quán)重來表示個體的行為、認知、年齡、心理健康程度及和腦部病理程度。
功能連接能否轉(zhuǎn)化為預(yù)測感興趣表型的生物標記與機器學習管道（管道在本文中的意思是連續(xù)的數(shù)據(jù)處理形成的固定步驟）息息相關(guān)，換句話說，機器學習管道對此過程有著關(guān)鍵作用。就REST-fMRI數(shù)據(jù)而言，將功能連接轉(zhuǎn)換為對分類對象的表型的處理管道通常包括3個，如圖1所示：
盡管該領(lǐng)域的許多綜述表明，人們可運用大腦功能連接邊的權(quán)重對感興趣的客體進行分類，但這個過程中能使用的管道種類實在太多，且不同的管道選擇對研究的準確性有相當大的影響，此外，分析這種變化所耗費的成本是一般研究的兩倍，所以很少有人討論此問題。綜上，人們之所以不討論此問題可簡單概括如下：首先，這種研究方法對實踐者而言是一種負擔，因為他們沒有系統(tǒng)的指導(dǎo)，且他們需要在諸多選擇中去做出合理的選擇。其次，多變的方法會給研究人員帶來特別大的自由度，所以這可能對生物標志物預(yù)測準確性的測量造成影響。考慮到上述因素，我們應(yīng)該慎重地選擇建模方法和處理管道。
因此，本文基于功能連接組的分類管道及分類管道的不同步驟，進行了系統(tǒng)的基準測試（基準測試是指通過設(shè)計科學的測試方法、測試工具和測試系統(tǒng)，實現(xiàn)對一類測試對象的某項性能指標進行定量的和可對比的測試）。除此之外，為制定出更好的策略，本文還分析了6個不同隊列的預(yù)測精度，這其中包括不同的臨床問題、不同的樣本量、難度不一的預(yù)測問題及一個心理特征。雖然最優(yōu)模型可能會因預(yù)測任務(wù)而產(chǎn)生差異，但本文所作的基準測試仍可概括出一些基本趨勢。
具體來說，將從以下幾個方面來展開研究：
1. 我們應(yīng)該如何選擇節(jié)點：通過預(yù)定義的圖譜還是采用數(shù)據(jù)驅(qū)動的方法？基于腦影像的診斷，我們需要多少節(jié)點？節(jié)點應(yīng)該選擇分布式大腦網(wǎng)絡(luò)還是感興趣區(qū)域（ROI）？
2.我們應(yīng)該如何表示大腦功能連接組的權(quán)重：是通過相關(guān)性、部分相關(guān)性還是采用更復(fù)雜的模型來測量協(xié)方差矩陣的幾何特征？
3.考慮到大腦功能連接組的權(quán)重，我們應(yīng)選擇哪些分類器來用于機器學習？我們應(yīng)該首選線性模型還是非線性模型？應(yīng)該使用稀疏模型還是非稀疏模型？我們是否還應(yīng)該考慮特征選擇呢？
本文除了探索以上這些主要問題，還對預(yù)處理策略和協(xié)變量控制進行了額外的實驗（研究帶通濾波和全腦均值回歸的效果）。
本文的全局概括：
本文結(jié)構(gòu)如下：
首先回顧了迄今為止被大量使用的具體方法。
接著，提出了基準測試的不同選擇（針對分類管道步驟），并對這些方法進行了相應(yīng)的描述；
最后，根據(jù)本文的試驗情況，對其實驗結(jié)果進行報告并揭示了它們的趨勢。
方法：功能連接組分類管道
當前實踐的簡要回顧：基于功能連接組的預(yù)測方法
在研究過程中，本文首次使用三篇綜述里面有關(guān)預(yù)測研究的調(diào)查方法，這三篇綜述的作者分別為Wolfers ， Arbabshirani 等人及Brown and Hamarneh 。從這些綜述中來看，這27項研究均運用了REST-fMRI數(shù)據(jù)，并獲得了良好的分類分數(shù)。下面將對不同管道步驟中的選擇進行簡要概括（詳情見表2）。 定義腦區(qū)ROI的不同方法：
參考文獻坐標，以其為中心，制作半徑為 5 毫米到 10 毫米的小球ROI;
參考一些腦圖譜如 AAL腦圖譜、基于皮層結(jié)構(gòu)的圖譜以及基于功能連接的分區(qū)圖譜；
基于k-均值、Ward聚類方法、獨立成分分析方法（ICA）或字典學習的數(shù)據(jù)驅(qū)動方法，以往研究中使用的分區(qū)的腦區(qū)數(shù)量可設(shè)置成幾十個到幾百個，但人們通常將節(jié)點數(shù)（即腦區(qū)數(shù)量，為方便描述，后文統(tǒng)一為節(jié)點）控制在100個左右。
接下來描述大腦功能連接組的表示情況：
實驗研究從二階統(tǒng)計量的角度出發(fā)，來定義功能交互作用（基于單一協(xié)變量）。研究使用 Pearson 相關(guān)或偏相關(guān)的數(shù)理統(tǒng)計方法，其研究過程主要涉及最大似然估計或 Ledoit-Wolf 收縮協(xié)方差估計。我們知道節(jié)點之間的部分相關(guān)性有助于規(guī)避相關(guān)結(jié)構(gòu)中的間接影響，但這一過程需要借助對協(xié)方差的收縮估計（收縮是一種正則化形式，用于在訓練樣本數(shù)量比特征數(shù)量少的情況下改善協(xié)方差矩陣的估計），我們對其中最簡單的一個實驗進行了基準測試。
關(guān)于預(yù)測分類器的描述
人們在之前的實驗中已經(jīng)使用過許多不同的分類器（其中包括線性分類器、非線性分類器以及稀疏分類器和非稀疏分類器），本文從中挑選出一些模型，并對其進行使用。詳情見表A2。除了表上面所展示的原型管道之外，還有一些研究使用了如網(wǎng)絡(luò)模塊化或中心性等圖論的網(wǎng)絡(luò)建模方法，但值得一提的是，人們很少把這些方法與監(jiān)督學習相結(jié)合使用。雖然圖論指標可以很好地捕捉到大腦連通性全局方面的信息，但不能很好地捕獲特定子網(wǎng)絡(luò)中的連通性特征。所以本文只專注于機器學習方法（用于提取判別關(guān)系），不研究圖論方法。
因為當前的做法非常多樣且對建模方法沒有標準的定義及選擇。所以為了確保研究的準確性及合理性，本文探索了經(jīng)典機器學習管道中比較流行的方法及其變體，以更好地滿足我們的實驗?zāi)繕耍▽δ苓B接進行良好且有效的預(yù)測）。
接下來，將會對本文的研究進行詳細的介紹。定義感興趣腦區(qū)（ROI）
實驗假設(shè)：在本文定義的ROI范圍內(nèi)，能很好地捕捉到與功能連接相關(guān)的功能單元。雖然本文研究了解剖學上和功能上所定義的腦圖譜，也學習了定義ROI的相關(guān)數(shù)據(jù)驅(qū)動方法，但因為使用條件以及不同病理的差異性，所以我們需要清楚：在實際的研究中，ROI的選擇是一個極其困難的過程。
預(yù)定義圖譜的選擇：
本文選擇了四個標準腦圖譜，其中兩個是結(jié)構(gòu)圖譜：
（1）AAL116腦圖譜
（2）Harvard Oxford圖譜，總共包含118個ROI
（3）Bootstrap Analysis of Stable Clusters (BASC)腦圖譜，選擇序號為36，64，122，197，325，444的感興趣區(qū)
（4）Power圖譜，制作半徑為5mm的小球ROI
對于所有的基準測試，本文都只使用預(yù)先計算的區(qū)域。值得說明的一點是，在對靜息態(tài)數(shù)據(jù)的研究過程中，如果有些功能圖譜可運用字典學習的方法計算出，那么本文便參照Mensch等人計算的圖譜，對數(shù)據(jù)進行合理的訓練，以確保實驗結(jié)果的準確性。
數(shù)據(jù)驅(qū)動方法的選擇：
本文選擇了四種當下流行的數(shù)據(jù)驅(qū)動方法（從fMRI數(shù)據(jù)中提取ROI，且用兩種聚類方法來定義ROI：）（1）K均值聚類（2）Wards聚類算法（3）組ICA方法（4）字典學習方法
數(shù)據(jù)驅(qū)動圖譜的維度選擇：
我們采取聚類的方法，提取出不同編號的ROI，具體為：40,60,80,100,120,150,200,300。同理，我們借助CanICA 和 DictLearn線性分解方法，提取出以下成分：40,60,80,100,120。
為避免實驗?zāi)Ｐ统霈F(xiàn)過擬合的情況，對每一種數(shù)據(jù)驅(qū)動方法的分割都限制在訓練集，并直接將分割結(jié)果應(yīng)用于測試集。與此同時，在交叉驗證循環(huán)的過程中，對于每個分割（定義大腦 ROI），也將其限制在訓練集上。
為了實現(xiàn)預(yù)測目標，本文使用圖譜來學習連接模式。此外，為了讓所提取的ROI區(qū)域增強，在提取大腦 ROI 之前，先對 rest-fMRI 數(shù)據(jù)上做了高斯平滑核為6mm 的高斯平滑的操作。
本文還測試了節(jié)點是直接使用局部腦區(qū)還是分布式網(wǎng)絡(luò)。目前，功能連接組學將大腦的局部區(qū)域或?qū)鄠€區(qū)域的分布式網(wǎng)絡(luò)都稱之為節(jié)點。為了確保實驗的準確性，本文在實驗過程中，對這兩種方法都進行了考慮。
在腦網(wǎng)絡(luò)（借助Canica和DictLearn獲得）中采用隨機游走算法提取節(jié)點。對于K-Means和BASC方法，只需在它們的連通分量中劃分集群即可，在此過程中，去除尺寸 < 1500立方毫米的假陽性區(qū)域。圖2展示了利用各種數(shù)據(jù)驅(qū)動方法從ADNI REST-fMRI數(shù)據(jù)中獲得的大腦區(qū)域，具體情況如圖所示：
圖2：使用ICA、DictLearn、KMeans和Ward方法提取的大腦區(qū)域。使用 ICA 和字典學習方法，得到的靜息態(tài)網(wǎng)絡(luò)的維度分別是80和60，隨之被分解為多個區(qū)域（150個）。通過KMeans和Ward聚類得到120個區(qū)域，其顏色隨機分配。
多連通圖的參數(shù)化
然后對每個節(jié)點都提取出其時間序列。在信號提取的過程中，本文探索了幾種降噪方法來規(guī)避非神經(jīng)偽影，降噪方法具體為：對數(shù)據(jù)做低通濾波的處理，對全腦均值均值進行回歸。為了有效地估計功能連通性，使用了Ledoit-Wolf收縮估計，并給出了收縮參數(shù)的形式表達式。雖然REST-fMRI數(shù)據(jù)集的時間序列長度不同，但這種估計方法仍能產(chǎn)生良好效果，本研究還針對協(xié)方差，研究了它的的非正則化及稀疏估計方面的問題（見附錄H.2）。本研究在這種協(xié)方差結(jié)構(gòu)的背景下，對三種不同的功能交互的參數(shù)化過程進行了研究：全相關(guān)、偏相關(guān)及協(xié)方差矩陣。雖然協(xié)方差矩陣使用頻率較低，但它具備良好的數(shù)學基礎(chǔ)，且許多研究都報告出該框架具有良好的解碼性能。本研究對兩個變量進行了比較，使用歐幾里得平均值或幾何平均值作為參考點（在這兩種情況下都參考了Nilearn所提出的方法）。值得注意的是，偏相關(guān)和切線空間的計算都需要求協(xié)方差逆矩陣，因此這些矩陣必須可逆。所以，這些參數(shù)化法不適用于非正則化協(xié)方差估計。
為了后面統(tǒng)計分析過程的良好進行，本研究對功能連接的每個參數(shù)都進行了矢量化的操作處理（數(shù)據(jù)的標準化），使用連通矩陣的下三角部分進行分類。
監(jiān)督學習：分類器
最后，使用預(yù)測模型進行分類。在這個過程當中，本研究運用了幾種不同的方法（線性方法、非線性方法、稀疏方法和非稀疏方法）。對于非線性方法，用 K = 1 和歐幾里得距離的方法來度量最近鄰方法（K-NN）、高斯樸素貝葉斯 (GNB) 和隨機森林分類器 (RF)。對于線性分類器，本研究使用了支持向量分類 (SVC) 和 Logistic 回歸的方法，設(shè)定稀疏度值為?1，并對其做了正則化的處理。對于非稀疏線性分類器，本研究使用了嶺分類、SVC、Logistic回歸的數(shù)學方法。此外，對于 SVC，還使用了單因素方差分析方法對其進行 10%閾值的特征篩選。對于正則化參數(shù)（例如 SVC 中的軟邊距參數(shù)），使用默認的值C =1或α= 1，因為研究發(fā)現(xiàn)這兩個默認值具有很好的代表性。
實驗研究
為了對不同的預(yù)測模型進行基準測試，本實驗所用的數(shù)據(jù)為五個公開可用的REST-fMRI數(shù)據(jù)集，并在這些數(shù)據(jù)集上應(yīng)用了不同的功能連接組分類管道。在實驗過程中，對臨床上不同的的功能連接預(yù)測結(jié)果都進行了研究，這其中包括：神經(jīng)退行性、神經(jīng)精神障礙、藥物濫用的影響及流動智力。本文專注于二進制的分類問題。具體情況如表1所示：
表1：數(shù)據(jù)集和預(yù)測任務(wù)。每組的被試數(shù)目：COBRE ：142人ADNI ：136 人ADNIDOD：167人ACPI ：126 人ABIDE ：866人HCP ： 443人
IQ代表流動智力（788 名受試者在 HCP900 版本中獲得 IQ 分數(shù)）表 A3總結(jié)了每個數(shù)據(jù)集的采集參數(shù)。
1. 參照ADNI的restfMRI 數(shù)據(jù)，以對患有輕度認知障礙 (MCI) 的被試與被患有阿爾茨海默病 (AD) 的被試進行區(qū)分。
2. 參照ADNIDOD的restfMRI 數(shù)據(jù),將PTSD患者與健康對照組區(qū)分開來。
3. 參照ACPI的restfMRI 數(shù)據(jù)，判別被試是否有過吸食大麻史。
4. 參照ABIDE的restfMRI 數(shù)據(jù)，以此區(qū)分出患有自閉癥障礙的患者實驗組與健康對照組。
5. HCP 900人連接體項目包含健康受試者的成像和行為數(shù)據(jù)。使用來自HCP900釋放的預(yù)處理的rest-fMRI數(shù)據(jù)來區(qū)分高智商和低智商個體.
6. 參照COBRE（生物研究中心）的 restfMRI 數(shù)據(jù)，來研究精神分裂癥和雙相情感障礙這兩種疾病。需要注意的是，本文主要利用精神分裂癥患者的數(shù)據(jù)，將其與健康組進行對照，以便達到預(yù)測目標。
Rest-fMRI數(shù)據(jù)預(yù)處理：軟件及相關(guān)過程
用SPM12軟件對 COBRE、ADNI 和 ADNIDOD數(shù)據(jù)進行預(yù)處理。預(yù)處理包括：頭動校正、一步配準，平滑（高斯平滑核為5mm）。除此之外，在數(shù)據(jù)處理的過程中，剔除了有嚴重偽影（多人肉眼觀察）或頭動大于 2 毫米的被試。對于經(jīng)過預(yù)處理的 ABIDE數(shù)據(jù) 和 ACPI數(shù)據(jù)，本研究選用 C-PAC pipeline 來處理圖像，但本研究在這個過程中，沒有回歸全腦均值。對于 ACPI數(shù)據(jù)，本研究使用ANTS配準的方法對圖像數(shù)據(jù)進行標準化處理，但沒有刪除數(shù)據(jù)，也沒有對數(shù)據(jù)做全腦均值的回歸處理。對經(jīng)過預(yù)處理可用的數(shù)據(jù)者，繼續(xù)進行下面的操作，而且，本研究沒有對HCP 數(shù)據(jù)做任何額外的預(yù)處理操作。
刪除標準：
本研究通過目視檢查（肉眼觀察）的步驟剔除了一些被試，也借助其他辦法排除了不符合要求的被試。例如，本研究從 COBRE 樣本中剔除了既患有雙相情感障礙疾病又患有分裂情感疾病的被試。對于HCP數(shù)據(jù)，本研究為了更容易預(yù)測二元分類設(shè)置，把低智商與高智商被試做了分組處理，根據(jù)分位數(shù) 0.333 （以下為低智商）和 0.666 （以上為高智商）來選擇（詳情見表1）。
交叉驗證和誤差測量：
本研究在進行交叉驗證(CV)的過程中對所有被試進行隨機處理，并對每個數(shù)據(jù)集做了超過100次的分割，最終將被試分成兩組：75%的被試運用訓練分類器和數(shù)據(jù)驅(qū)動模型的方法來分割腦區(qū)，剩余25%的被試則在不可見數(shù)據(jù)上進行測試。此外，本研究對數(shù)據(jù)進行分層處理，以保持組之間的樣本比率。針對每次分割，本研究計算出曲線下面積(AUC)，曲線下面積的值1代表完美預(yù)測，0.5代表隨機水平概率。AUC的最終預(yù)測分數(shù)可用來衡量不同選擇之下的預(yù)測管道結(jié)果情況。
計算和實施：
本研究的實驗研究包含240多種類型的管道(8個圖譜，3個連通性度量，10個分類器，以及其他變量，如3個filter選項和3個協(xié)方差回歸選項)，這些管道分別在5個數(shù)據(jù)集上運行。其運行結(jié)果是：在原始數(shù)據(jù)到模型計算期間的這個過程之中，本研究需要對50多萬個管道進行擬合，所以計算量相當大。本研究使用Python2.7工具進行數(shù)據(jù)處理。這其中包括：定義腦圖譜、提取具有代表性的時間序列以及構(gòu)建連通性度量。
結(jié)果：管道選擇的基準
接下來，本研究概述不同的模型選擇對預(yù)測結(jié)果所產(chǎn)生的影響。
本研究在表2中報告了所有REST-fMRI數(shù)據(jù)集所獲得的AUC分數(shù)，并且在表2中，本研究已將每步的最優(yōu)選擇進行呈現(xiàn)，以下本研究將對這些最優(yōu)選擇進行詳細闡述。
不同的方法將產(chǎn)生不同的影響，為了更好衡量其影響，所以本研究對每個管道的預(yù)測分數(shù)計算出平均值。這種相對測量方法避免了因折疊或數(shù)據(jù)集不同而導(dǎo)致的分數(shù)差異的情況。本研究對這些相對預(yù)測分數(shù)進行了觀察，并研究了不同的步驟選擇（如分類器的選擇、連接參數(shù)的選擇和大腦圖譜的選擇）對預(yù)測管道的影響。在實驗過程中，涉及很多步驟的選擇，對于固定步驟而言，其影響有二：第一，當某些實驗步驟是最優(yōu)選擇或接近最優(yōu)選擇時，本研究可以考慮其中一個步驟的影響；第二，對必選步驟來說，本研究可以考慮該步驟對其他步驟的影響。從經(jīng)驗上看，這兩種情況得出了相似的結(jié)論，詳情見附錄 C。
分類器的選擇
圖 3 總結(jié)了分類器對 rest-fMRI 數(shù)據(jù)集預(yù)測分數(shù)的情況。結(jié)果顯示不同模型和數(shù)據(jù)集（即預(yù)測目標）之間存在一定的差異性，非稀疏（l2-regularized）線性分類器的表現(xiàn)情況更好，略領(lǐng)先于logistic-l2。
圖3：分類器的選擇對預(yù)測準確性的影響。對于每個分類器，當改變其他步驟（正在進行）的建模選擇時。總體而言，L2正則化的線性分類器的表現(xiàn)更好。
連接參數(shù)的選擇
圖4總結(jié)了REST-fMRI數(shù)據(jù)集的相對預(yù)測分數(shù)受協(xié)方差矩陣的參數(shù)化情況的影響。通常來說，切空間參數(shù)化（正切空間投影法被應(yīng)用于功能連接的估計，具體方法可以看這篇文章：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7086233/）的性能優(yōu)于完全相關(guān)或部分相關(guān)。
圖4：連接參數(shù)對預(yù)測精度的影響。實驗過程中，本研究將完全相關(guān)性方法或部分相關(guān)性方法與基于切線空間的方法進行對比，發(fā)現(xiàn)使用基于切線空間的方法，其在預(yù)測時，其連通性參數(shù)顯示出更高的準確度和相對較低的方差。圖4方框顯示中位數(shù)和四分位數(shù)，及五分位數(shù)和95分位數(shù)。
區(qū)域定義方法的選擇：
為找到大腦區(qū)域定義的最佳方法，本研究在實驗過程中，對實驗方法做了兩步處理。首先，本研究對每種方法都找出了最佳預(yù)測的維度，但這只適用于具有各種維度的 BASC 圖譜及數(shù)據(jù)驅(qū)動的區(qū)域定義方法（如ICA）。其次，本研究在最佳維度的這個背景之下，研究了每種方法的預(yù)測精度。
最好的辦法：
圖5總結(jié)了不同的區(qū)域定義方法的相對預(yù)測性能。盡管這些方法的系統(tǒng)性影響很小（相比于褶皺和數(shù)據(jù)集的方差），但就預(yù)測效果而言：參照功能數(shù)據(jù)定義方法所定義的區(qū)域要比參照解剖學定義方法的預(yù)測效果更好。其中，本研究使用?1字典學習方法定義區(qū)域（在REST-FMRI數(shù)據(jù)中），其實驗效果似乎是最好的，其次是ICA方法（預(yù)測效果排名第二）。
圖5：不同的圖譜定義的方法對預(yù)測精度的影響。
最優(yōu)維度：
本研究對每種最佳維度方法的選擇進行了圖示，如圖 6所示。在實驗過程中，本研究發(fā)現(xiàn)了一個在不同情況下會出現(xiàn)變化的最優(yōu)值：這個值會隨著提取節(jié)點數(shù)量的增加，使預(yù)測精度升高，然而對于其他方法，在相同情況下，這個值的預(yù)測精確性又會緩慢下降。詳情見圖6。除此之外，典型的最優(yōu)區(qū)域數(shù)量約為 150（見附錄 E）。
圖6：腦區(qū)數(shù)量對預(yù)測準確性的影響。該圖顯示了不同方法（對五個 rest-fMRI 數(shù)據(jù)集采用的方法）的 AUC 分數(shù)的分布情況。水平條（黑色）表示中位數(shù)，紅色箭頭表示維度。
更大的數(shù)據(jù)集和預(yù)先計算的圖譜：
為了研究數(shù)據(jù)分析（限于更高質(zhì)量數(shù)據(jù)集）的一致性對結(jié)果的影響，本研究對包括 HCP 數(shù)據(jù)在內(nèi)的基準測試進行了相同的預(yù)處理。因這些數(shù)據(jù)時間序列更長且計算成本高，故為了降低計算成本及確保結(jié)果的嚴謹性，所以本部分將分析限制在預(yù)先計算的圖譜上（對于字典學習和ICA方法下的腦區(qū)分割，是從對ADNI REST-fMRI數(shù)據(jù)的估計中來的）。
圖7總結(jié)了不同方法對六個群組預(yù)測精確性的影響。該實驗得出了與其他實驗類似的結(jié)論：使用字典學習、切線空間參數(shù)化和 L2 正則化分類器的方法來獲取功能圖譜作為特征，對分類性能的提升更大。詳情見下圖7。
圖7：預(yù)計算區(qū)域（限于六個數(shù)據(jù)集）的流水線選擇
該圖展示了相對預(yù)測分數(shù)的邊際分布情況，最佳選擇方法正向排序為：基于字典學習的分區(qū)方法(MOD1)、聚類法(BASC)、連通性的切數(shù)空間參數(shù)化方法以及L2正則化的邏輯回歸方法。
濾波、全腦平均信號的影響
是否濾波以及是否回歸全腦平均信號對結(jié)果影響不大。
總結(jié)：
本研究為使用功能磁共振數(shù)據(jù)作為特征的分類機器學習的實踐提供了一些參考方向，具體總結(jié)在表 3 中：本研究發(fā)現(xiàn)帶正則化參數(shù)的邏輯回歸方法是一個在許多情況下都可以被使用的基本模型，并且使用ICA或者字典學習方法對功能數(shù)據(jù)進行軟分區(qū)可以進一步提升模型的分類性能，除此以外，本文發(fā)現(xiàn)預(yù)處理過程中的濾波和全腦均值回歸對分類結(jié)果的表現(xiàn)沒有明顯影響。
本文研究還有一個意義在于，使用良好的默認模型可以抑制分析管道的組合爆炸，從而降低研究的計算成本，以使其實驗結(jié)論更穩(wěn)定、更具有說服力、更具有統(tǒng)計意義。值得一提的是，就數(shù)據(jù)而言，其數(shù)據(jù)分析不可能有一個萬能的解決方案，本文方法的最優(yōu)選擇以及本研究的研究雖然與前人研究的結(jié)果具有一致性，但不代表任何研究運用此方法都能達到和本文一樣的效果，所以大家在實驗過程中，可根據(jù)自己的數(shù)據(jù)以及實驗?zāi)康模侠磉x擇實驗方法和模型來進行研究。
如需原文及補充材料請?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對思影課程及服務(wù)感興趣也可加此微信號咨詢。另思影提供免費文獻下載服務(wù)，如需要也可添加此微信號入群，原文也會在群里發(fā)布，如果我們的解讀對您的研究有幫助，請給個轉(zhuǎn)發(fā)支持以及右下角點擊一下在看，是對思影科技的支持，感謝！
微信掃碼或者長按選擇識別關(guān)注思影
非常感謝轉(zhuǎn)發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請直接點擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進行咨詢，所有課程均開放報名，報名后我們會第一時間聯(lián)系，并保留已報名學員名額）：
核磁：
北京：
第五十九屆磁共振腦影像基礎(chǔ)班（北京，4.14-19）
第二十九屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（北京，4.22-27）
第十九屆磁共振腦影像結(jié)構(gòu)班（重慶，4.13-18）
第六十屆磁共振腦影像基礎(chǔ)班（重慶,4.21-26）
第十二屆任務(wù)態(tài)功能磁共振數(shù)據(jù)處理班（上海，4.21-25）
第六十一屆磁共振腦影像基礎(chǔ)班(上海，5.7-12）
更新：第二十八屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（上海，5.22-27）
腦電及紅外、眼動：
北京：
第三十三屆腦電數(shù)據(jù)處理中級班（北京，4.7-11）
第二十五屆腦電數(shù)據(jù)處理入門班(北京，5.16-20）
南京：
第二十三屆腦電數(shù)據(jù)處理入門班（南京，4.23-27）
上海：
第三屆腦電機器學習數(shù)據(jù)處理班（Matlab版，上海，5.15-20）
重慶：
第二十二屆近紅外腦功能數(shù)據(jù)處理班（重慶，5.24-29）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技腦結(jié)構(gòu)磁共振成像數(shù)據(jù)處理業(yè)務(wù)（T1)
思影數(shù)據(jù)處理業(yè)務(wù)三：ASL數(shù)據(jù)處理
思影科技腦影像機器學習數(shù)據(jù)處理業(yè)務(wù)介紹
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
BIOSEMI腦電系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
