本技术公开了基于图自监督迁移学习的跨域疾病预测方法,方法为:处理功能磁共振成像数据和临床表型数据;由受试者的功能磁共振成像数据建模构成脑特征结构拓扑图;对脑特征结构拓扑图的节点采样得到子图并选择亲密度得分最高的个子图;将目标子图的节点特征映射到低维向量空间得到节点嵌入矩阵;节点嵌入矩阵转化为重建矩阵,计算原始特征向量与重建特征向量的欧几里得距离得到生成学习评分;在目标节点与相邻子图之间构建比较关系并计算对比学习评分;生成学习评分和对比学习评分加权和得到疾病类别的预测概率值;待迁移的数据输入至预测模型得到对应疾病类别的预测结果。本发明提高跨域疾病预测准确性与效率。
背景技术
随着生物医学成像技术的进步,功能磁共振成像(fMRI)已经成为研究脑功能和神经疾病诊断的重要工具。fMRI通过测量脑部不同区域的血氧水平依赖性(BOLD)信号,捕捉大脑区域之间的功能连接变化,提供了一种非侵入性的手段来研究神经疾病的病理特征。然而,当前的疾病预测模型在跨领域应用时往往面临挑战,主要表现为域移位和数据集异质性的问题。这些问题在跨机构、跨设备的数据中尤为明显,因为不同人群特征、成像设备和扫描协议可能导致数据的显著差异,传统的机器学习方法在处理这类异构数据时常常出现性能下降。
域移位问题在生物医学和健康信息学(BHI)领域尤为严重,影响了模型的泛化能力和临床适用性。例如,自闭症谱系障碍(ASD)等神经发育疾病的诊断通常依赖于行为评估,而这种评估往往存在评估者的主观差异,缺乏客观可靠的指标。功能磁共振成像提供了一种精确诊断这些疾病的可能性,但由于各个医院和研究机构使用的成像设备和协议不同,单一模型很难在所有临床环境中保持高效表现。
为了应对这些挑战,迁移学习和自监督学习技术在近年得到了广泛关注。迁移学习通过将模型在源领域中学到的知识应用于目标领域,显著提升了模型的泛化性能,尤其适用于生物医学成像领域中常见的数据异质性问题。而自监督学习则能够从未标记的数据中自动提取有用的特征表示,减少对大量标注数据的依赖。生物医学领域的数据标注成本高昂且耗时,通过自监督学习技术可以有效解决这一问题。
实现思路