Computational neuroimaging strategies for single patient predictions

عصب شناسی به طور فزاینده ای از تکنیک های یادگیری ماشین استفاده می کند و تلاش می کند تا پیش بینی های تک محتوائی بالینی را انجام دهد. یک جایگزین برای یادگیری ماشین، که تلاش می کند ارتباطات پیش بینی شده بین ویژگی های داده های مشاهده شده و متغیرهای بالینی را ایجاد کند، استقرار مدل های محاسباتی برای تشخیص مکانیزم های فیزیولوژیکی و شناختی (پاتو) است که پاسخ های رفتاری و عصبی را تولید می کنند. در این مقاله، منطق پشت یک رویکرد محاسباتی به نتیجه گیری تکستی مبتنی بر عصب شناسی، با تمرکز بر پتانسیل آن برای توصیف مکانیزم های بیماری در افراد فردی و ترسیم این ویژگی ها به پیش بینی های بالینی، مورد بحث قرار می گیرد. به دنبال یک دید کلی از دو رویکرد اصلی - انتخاب مدل بیزی و تعبیه مولد - که می تواند مدل های محاسباتی را به پیش بینی های فردی پیوند دهد، بررسی می کنیم که چگونه این روش ها ناهمگونی را در اختلالات طیف روانشناختی و عصبی قرار می دهد، کمک می کند تا تفسیر های نامناسب از داده های تصویر برداری، بین یک رویکرد مکانیکی مبتنی بر مدل و دیدگاه های آماری که توسط یادگیری ماشین ها ارائه می شود.