44、大规模人群研究中基于机器学习的影像生物标志物：神经影像学视角

大规模人群研究中基于机器学习的影像生物标志物：神经影像学视角

1. 无监督机器学习在脑影像分析中的应用

无监督机器学习技术在脑影像分析中具有重要潜力，能够揭示大脑变化的协调模式，为高维数据提供可解释和可量化的表示，并有效降低数据维度，以便进行进一步分析。

1.1 非负矩阵分解（NNMF）方法

非负矩阵分解（NNMF）方法旨在找到低重建误差和高可重复性的最优分解。其在不同数据集上的应用如下：
- 健康老年人群灰质组织密度图 ：将NNMF方法应用于健康老年人群在通用图谱空间中的灰质组织密度图，产生了稀疏且定位良好的结构协方差成分，这些成分与已知的解剖分区相符。
- 儿科数据集 ：在9 - 21岁的儿科数据集中，NNMF将发育中的大脑分解为与先前基于解剖的手动分解以及主要功能分区一致的成分，并且这些成分随年龄的成熟趋势与不同脑区的进化发展一致。
- 白质病变分割 ：对来自波美拉尼亚健康研究的1836名受试者的MRI扫描中的白质病变分割应用NNMF，得到由四个成分编码的空间异质性病变模式，该分解与已知的脑室周围与深部白质病变分类一致，还进一步将脑室周围病变分为额叶、背侧和后部成分。

2. 基于监督分类的影像生物标志物用于疾病诊断

近几十年来，人们越来越关注使用监督机器学习方法来推导神经影像生物标志物，用于疾病的早期诊断和个体患者管理。

2.1 监督分类的目标和过程

监督分类的目标是使用一组受试者（如健康对照和患者）的影像数据和已知的结果标签，学习一个模型，