Multivariate decoding of brain images using ordinal regression

داده های تصویربرداری عصبی به طور فزاینده ای برای پیش بینی نتایج بالقوه یا گروه بندی، مانند شدت بالینی، پاسخ دز دارو و بیماری های گذرا مورد استفاده قرار می گیرد. در این مثال، متغیر (هدف) که می خواهیم پیش بینی کنیم، در طبیعت مرتب است. طرح های طبقه بندی متعارف فرض می کنند که اهداف اسمی هستند و از این رو طبیعت رتبه آنها را نادیده می گیرند، در حالی که مدل های رگرسیون پارامتریک و غیر پارامتری، مفهوم متریک فاصله بین طبقات را اعمال می کنند. در اینجا، ما یک رویکرد جدید و متنوع چند متغیره ارائه می دهیم که این محدودیت ها را به دست می دهد - رگرسیون سری کامل احتمالی مغز با استفاده از یک چارچوب فرایند گاوسی. ما این تکنیک را به دو مجموعه داده های دارویی اطلاعات تصویر برداری از افراد داوطلب سالم اعمال کردیم. اولین مطالعه به منظور بررسی اثر کتامین بر فعالیت مغز و مدولاسیون پس از آن با دو ترکیب - لاموتریژین و ریپریدون انجام شد. در مطالعه دوم، اثر اسکاپولامین بر جریان خون مغزی و مدولاسیون آن با استفاده از دونپزیل بررسی شده است. ما مقیاس رگرسیون رگرسیونی را برای طبقه بندی چند طبقه و رگرسیون متریک مقایسه کردیم. با توجه به مدولاسیون کتامین با لاموتریزین، دریافتیم که رگرسیون رگرسیون به طور قابل توجهی از طبقه بندی چند طبقه و رگرسیون متریک از لحاظ دقت و میانگین خطای مطلق برتر است. با این حال، برای رگرسیون سری ریزپردیدون، رگرسیون متریک به مراتب بیشتر از رگرسیون متریک برخوردار بود اما با توجه به دقت و میانگین خطای مطلق، به صورت طبقه بندی چند طبقه انجام شد. برای مجموعه داده های اسکوپولامین، رگرسیون ردیفی در مقایسه با دو تکنیک رگرسیون چند طبقه و متریک با در نظر گرفتن جریان خون منطقه ای مغزی در قشر قدامی قدام، غلبه کرد. بدین ترتیب رگرسیون خطی تنها راهی بود که در همه موارد به خوبی انجام می شد. نتایج ما نشان دهنده پتانسیل رویکرد رگرسیون ردیفی برای داده های تصویر برداری عصبی است، در حالی که یک چارچوب کاملا احتمالاتی با رویکردهای زیبا برای انتخاب مدل ارائه می دهد.