XiaoMi-AI文件搜索系统
World File Search Systemtivaria
使用静止状态功能连通性在识别主要抑郁症的多元机器学习分析：多中心研究
摘要：使用静止状态功能连通性（RS-FC）数据诊断重大抑郁症（MDD），遇到了许多挑战，例如高维度，小样本和个体差异。To assess the clinical value of rs-FC in MDD and identify the potential rs- FC machine learning (ML) model for the individualized diagnosis of MDD, based on the rs-FC data, a progressive three-step ML analysis was performed, including six di ff erent ML algorithms and two dimension reduction methods, to investigate the classi fi cation performance of ML model in a multicentral, large sample dataset [1021例MDD患者和1100例正常对照（NCS）]。此外，线性最小二乘拟合的回归模型用于评估RS-FC特征与MDD患者临床症状的严重程度之间的关系。在使用的ML方法中，通过极端梯度提升（XGBoost）方法构建的RS-FC模型显示出最佳的分类性能，可将MDD患者与单个水平的NCS区分开（准确性= 0.728，Sensitivity = 0.720，Sensitivity = 0.720，Speciifity = 0.739，Speciifity = 0.739，curve = 0.8331）。同时，通过XGBoost模型识别的RS-FC主要分布在默认模式网络，边缘网络和Visual Network之间。更重要的是，可以使用XGBoost模型确定的RS-FC特征来准确预测MDD患者的17个单个汉密尔顿抑郁量表评分（调整后的R 2 = 0.180，根平方误差= 0.946）。使用RS-FCS的XGBoost模型显示了MDD患者和HCS之间的最佳分类性能，具有良好的概括和神经科学的解释性。关键字：重度抑郁症，静止状态功能连接，多中心，机器学习，分类，极端梯度增强■简介
用于可解释的多变量时间序列分类的多模态原型学习
多变量时间序列分类问题在生物学和金融等多个领域越来越普遍和复杂。虽然深度学习方法是解决这些问题的有效工具，但它们往往缺乏可解释性。在这项工作中，我们提出了一种用于多变量时间序列分类的新型模块化原型学习框架。在我们框架的第一阶段，编码器独立地从每个变量中提取特征。原型层在生成的特征空间中识别单变量原型。我们框架的下一阶段根据多变量时间序列样本点与这些单变量原型的相似性来表示它们。这会产生一种固有可解释的多变量模式表示，原型学习应用于提取代表性示例，即多变量原型。因此，我们的框架能够明确识别各个变量中的信息模式以及变量之间的关系。我们在具有嵌入模式的模拟数据集以及真实的人类活动识别问题上验证了我们的框架。我们的框架在这些任务上实现了与现有时间序列分类方法相当或更优异的分类性能。在模拟数据集上，我们发现我们的模型返回与嵌入模式一致的解释。此外，在活动识别数据集上学习到的解释与领域知识一致。
fMRI -NSF -PAR
多元神经影像学分析构成了识别心理表征的强大技术。但是，并非所有的心理过程在整个大脑中都以相同的空间尺度表示。将感知过程的层次结构化的局部表示与更抽象的认知过程（例如社会和情感操作）的灵活跨模式表示，这种异质性是显而易见的。一个开放的问题是分析方法的空间尺度如何与所研究表示的空间量表相互作用。在本文中，我们描述了如何将多元分析视为存在于空间频谱上的多变量分析，该分析是由用于识别一端的局部分布式信息模式的探照灯锚定的，用于识别另一种和基于区域的方法的整个大脑方法。我们描述了这些区别是一个重要且经常被忽略的分析考虑，并提供了启发式方法，以根据分析师的推论目标比较这些不同的技术。
可解释的多元时间序列分类
许多现实世界应用，例如医疗保健，当前的多变量时间序列预测问题。在此类设置中，除了模型的预测准确性之外，模型透明度和解释性至关重要。我们考虑从多变量时间序列数据中构建可解释的分类器的问题。理解此类预测模型的关键标准涉及将时间变化的输入变量对分类变化的贡献。因此，我们引入了一种新颖的，模量的，基于卷积的特征提取和注意机制，同时识别变量以及确定分类器输出的时间间隔。我们通过几个基准数据集提出了广泛的实验结果，这些数据集表明该方法在多变量时间序列分类任务上优于最新基线方法。我们的案例研究结果表明，相对于可用域知识，所提出的方法确定的变量和时间间隔是有意义的。
![ARXIV：2006.03407V2 [QUANT-PH] 2020年9月22日](/simg/b/b3cb998fdbce89ed9ee799c237ec458de7f385ee.webp)
ARXIV：2006.03407V2 [QUANT-PH] 2020年9月22日
时间序列数据在各种各样的现实应用中都普遍存在，它呼吁Peo-Ple的可信赖和可解释的模型，以理解和完全信任AI Solutions的决定。我们考虑从多变量时间序列数据中构建可解释的分类器的问题。理解此类预测模型的关键标准涉及阐明和量化与分类的输入变量变化的时间的争议。因此，我们引入了一种新颖的，模块化的基于卷积的特征外推和注意机制，同时识别变量以及确定分类输出的时间间隔。我们通过几个基准数据集提出了广泛的实验结果，这些数据集表明所提出的方法超过了多变化时间序列分类任务的最新基线方法。我们的案例研究结果表明，通过采用方法识别的变量和时间间隔相对于可用领域知识是有意义的。
在早期HER2阳性乳腺癌中指导全身疗法的多变量预后评分：一项回顾性研究，具有外部评估
Prat MD， MD，C Sara MD，S腿MD，肿瘤学，西班牙，M Munoz，M Vidal，B Adamo）；治疗学院（IDIBAPS） Adamo，B Story MD，F Schettini）；医学系意大利，意大利，P教授P Count MD）； IRCC的包含医学2， Lineberger Gonzalez-Farré和Sanfeliu）;肿瘤学诊所，部门
使用多元形态计量学统计，稀疏编码和Correntropy预测脑淀粉样蛋白：来自ADNI和OASIS数据库的1,125个个体的验证
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经Peer Review的认证）提供的，他已授予Biorxiv的许可证，以在2020年10月17日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2020.10.16.343137 doi：Biorxiv Preprint
在有损腔中对经典驱动量子的纠缠保护
本文是根据Creative Commons归因4.0国际许可证的许可，该许可允许以任何媒介或格式的使用，共享，适应，分发和复制，只要您适当地归功于原始作者和来源，就可以提供与Creative Commons许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。
多元分析揭示了工作记忆负荷的可概括的人类电生理特征
抽象工作记忆（WM）是一个在线内存系统，对于在正在进行的认知处理过程中以快速访问状态保持注入至关重要。因此，在提供WM载荷的时间解析索引的方法中具有很强的价值。尽管已经确定了单变量的EEG信号随着WM负载而变化，但多变量分析方法的最新进展表明，可能会有丰富的信息来源不会产生可靠的单变量标志。在这里，使用了四项已发表研究的数据（n = 286和> 250,000个试验），我们证明了对脑电图电压地形的多元分析提供了对WM中存储的项目数量的敏感指数，这些索引概括为新型人类观察者。此外，多元负载检测（“ MVLOAD”）可以在单试级别提供强大的信息，超过现有单变量方法的灵敏度。我们表明，此方法以（1）独立于备忘录的空间位置的方式跟踪WM负载，（2）足够精确地在存储的项目数量中划分项目划分，（3）可在不同的任务和刺激显示的跨个体差异，以及（4）与wm wm行为中的个体差异相关。因此，这种方法为单变量分析方法提供了强大的补充，并阐述了人类在线内存存储的时间解决方案。
大脑结构的多变量模式分析预测功能结果
摘要背景：认知训练干预措施（CT）后的认知收益与精神分裂症患者（SCZ）的功能改善有关。但是，观察到很大的个体变异性。在这里，我们评估了大脑结构特征的敏感性，以在单个学科层面预测基于听觉的认知训练（ABCT）的功能响应。方法：我们使用支持向量机（SVM）建模的全脑多变量模式分析（MVPA）来识别灰质（GM）模式，这些模式（GM）模式预测了SCZ患者在单个受试者水平的ABCT 40小时后“较高”与“较低”功能。通过通过样本外跨验证分析（OOCV）应用原始模型来评估SVM模型的概括能力，以从经历了50个小时的ABCT的独立样本中看不见的SCZ患者。结果：全脑GM体积的模式分类预测，在随访时预测了“较高”与“较低”功能，其平衡精度（BAC）为69.4％（灵敏度为72.2％，特异性66.7％），通过嵌套交叉验证确定。神经解剖模型可推广到一个独立队列的BAC为62.1％（灵敏度为90.9％，特异性为33.3％）。结论：尤其是，在SCZ参与者ABCT之后，单个受试者水平的颞上回，丘脑，前扣带回和小脑的区域中的基线GM体积更大。