Pontosabb agyi konnektom-elemzést ígér az új felügyelet nélküli tanulási módszer
A diffúziós MRI (dMRI) adatok gyűjtési különbségei eddig torzították az agyi strukturális konnektomok elemzését, de egy új keretrendszer automatikusan kezeli ezeket a variációkat.
A dMRI adatok gyűjtési különbségei — legyen szó eltérő helyszínekről, szkennerekről vagy protokollokról — jelentős variabilitást visznek az agyi strukturális konnektomok elemzésébe, ami bonyolítja a pontos diagnózist és kutatást. Ezt a problémát igyekszik orvosolni egy új felügyelet nélküli tanulási módszer, amelyet az arXiv-on tettek közzé előnyomtatott formában.
A mélytanulási modellek képesek a magas dimenziós konnektomokat alacsony dimenziós térben reprezentálni, miközben explicit módon elkülönítik a gyűjtéssel kapcsolatos hatásokat a biológiai variációtól. A hagyományos dimenziócsökkentő módszerek azonban minden eltérést folytonos variációként modelleznek, így a gyűjtési hatások gyakran beleolvadnak a folytonos látens térbe.
A konnektomok rejtett mintáinak feltárása
A hibrid látens tér modellek diszkrét és folytonos komponenseket kombinálnak, hogy kezeljék ezt a problémát, de jellemzően manuális kapacitáshangolást igényelnek. Ez a hangolás biztosítja, hogy a diszkrét komponens a kívánt variabilitást rögzítse.
Az adaptív egyensúlyozás kulcsa
Az új felügyelet nélküli keretrendszer kiküszöböli ezt a manuális hangolást. Az encoder kimeneteit dekódolás előtt „annealing” eljárásnak veti alá, ami lehetővé teszi a modell számára, hogy adaptívan egyensúlyozza a diszkrét és folytonos látens változókat a betanítás során. A kutatás az arXiv:2605.13933v1 azonosító alatt érhető el, 2023. május 25-én tették közzé.