Utilization of brain connectivity in classification and regression tasks in brain data

Abstract

This thesis investigates how incorporating progressive amounts of struc- tural information into machine learning models affects their accuracy in dis- criminating schizophrenia from functional connectivity matrices obtained by resting state functional magnetic resonance. Three structural settings were explored-no structure via traditional machine learning models, modeling nodes through proposed feed forward based architecture that allows com- bining node neighborhoods individually for each node, and modeling both nodes and edges using graph neural networks. Although the results on the available 190 subjects dataset did not reveal the best strategy, two findings were identified (a) the superiority of sparsifiying matrices by taking top k neighborhoods over keeping top n% values and (b) the benefit of node cor- respondence across samples. All experiments were evaluated using a proper validation strategy-nested cross validation-a piece that was largely missing in reviewed literature.

Tato práce zkoumá, jak postupné zvyšování množství strukturálních in- formací zahrnutých do modelů strojového učení ovlivňuje úspěšnost pre- dikce schizofrenie na základě matic funkční konektivity získaných pomocí res- ting state funkční magnetické rezonance. Byly prozkoumány tři strukturální nastavení - žádná struktura prostřednictvím tradičních modelů strojového učení, modelování uzlů prostřednictvím nově navržené architektury založené na feed forward vrstvě, která umožňuje kombinovat sousedy pro každý uzel zvlášť, a modelování uzlů i hran pomocí grafových neuronových sítí. Ačkoli výsledky na dostupném datasetu se 190 záznamy neodhalily nejlepší strategii, byly identifikovány dva poznatky (a) je lepší vytvořit řídké matice výběrem top k sousedů každého uzlu, než ponecháním top n % nejvyšších hodnot, a (b) je výhodné modelovat korespondenci uzlů napříč vzorky. Všechny expe- rimenty byly vyhodnoceny pomocí vhodné validační strategie, vnořené cross validace, což se typicky v recenzované literatuře nedařilo.