17、多任务学习与图神经网络在认知结果预测中的应用

多任务学习与图神经网络在认知结果预测中的应用

1. 多任务学习用于认知结果预测

在预测长期卒中后认知障碍（PSCI）时，多任务学习结合脑磁共振成像（MRI）和临床非成像数据是一种有效的方法。

1.1 分割评估

为了评估分割性能，通常会将预测分割结果与参考分割结果进行比较。常用的评估指标包括：
- 重叠度量 ：使用Dice分数来表示两个区域的重叠程度。
- 表面度量 ：考虑鲁棒（95%）Hausdorff距离（HD）和平均表面距离（ASD）。

1.2 实验结果

实验呈现了三种类型的结果：
1. 单任务模型基线 ：用于分类和分割的单任务模型。
2. 仅使用成像数据的多任务学习分类 ：对PSCI进行分类。
3. 使用成像和表格数据的多任务学习分类 ：同样用于PSCI分类。

所有模型根据成像输入（FLAIR或DTI Trace）训练了两种配置。分类网络的示例注意力图展示了网络为最终预测识别出的最重要特征。

模型	病变	Dice	Jaccard	鲁棒HD 95%	ASD
SNet