核心概念
rTMS 치료 반응 예측을 위해 다양성 향상 조건부 생성 적대 신경망(DE-CGAN)을 사용하여 과소 표현된 fMRI 연결성 특징과 해당 클래스 레이블을 합성적으로 생성함으로써 분류 모델의 성능을 향상시킬 수 있다.
摘要
이 연구는 반복적 경두개 자기 자극(rTMS) 치료 반응 예측을 위해 다양성 향상 조건부 생성 적대 신경망(DE-CGAN)이라는 새로운 프레임워크를 제안한다. 기존 연구에서 저자들은 fMRI 연결성 특징을 사용하여 심층 신경망(DNN)으로 rTMS 치료 결과를 신뢰성 있게 예측할 수 있음을 보였다. 그러나 일부 fMRI 연결성 특징의 경우 DNN이 일관되게 잘못 분류하는 것으로 나타났다.
이에 저자들은 DE-CGAN을 사용하여 이러한 어려운 분류 영역의 합성 환자와 해당 클래스 레이블을 생성함으로써 훈련 데이터셋의 다양성을 높이고자 하였다. 실험 결과, 10%의 DE-CGAN 합성 환자를 포함한 하이브리드 데이터셋으로 훈련한 모델이 실제 테스트 데이터에서 가장 우수한 성능을 보였다. 이는 합성 환자 생성을 통해 데이터셋의 다양성을 높이면 분류 모델의 일반화 성능을 향상시킬 수 있음을 보여준다.
統計資料
실제 환자 데이터셋에서 일부 fMRI 연결성 특징(예: 전대상피질과 후두엽 간 기능적 연결성)이 일관되게 잘못 분류되었다.
DE-CGAN을 사용하여 생성된 10%의 합성 환자를 포함한 하이브리드 데이터셋으로 훈련한 모델이 실제 테스트 데이터에서 가장 우수한 성능을 보였다.
引述
"rTMS 치료 반응 예측을 위해 다양성 향상 조건부 생성 적대 신경망(DE-CGAN)을 사용하여 과소 표현된 fMRI 연결성 특징과 해당 클래스 레이블을 합성적으로 생성함으로써 분류 모델의 성능을 향상시킬 수 있다."
"합성 환자 생성을 통해 데이터셋의 다양성을 높이면 분류 모델의 일반화 성능을 향상시킬 수 있다."