Apprentissage par transfert d'espace partagé pour l'analyse de données IRMf multi-sites

Résumé

L'analyse des modèles multi-voxels (MVPA) apprend des modèles prédictifs à partir de données d'imagerie par résonance magnétique fonctionnelle (IRMf) basées sur les tâches, afin de distinguer le moment où les sujets effectuent différentes tâches cognitives, par exemple regarder des films ou prendre des décisions. MVPA fonctionne mieux avec un ensemble de caractéristiques bien conçues et un échantillon de taille adéquate. Cependant, la plupart des ensembles de données d'IRMf sont bruyants, hautement dimensionnels, coûteux à collecter et les échantillons sont de petite taille. En outre, la formation d'un modèle prédictif généralisé et robuste capable d'analyser des tâches cognitives homogènes fournies par des ensembles de données d'IRMf multisites présente des difficultés supplémentaires. Cet article propose l'apprentissage de transfert dans l'espace partagé (SSTL) comme une nouvelle approche d'apprentissage de transfert (TL) qui peut aligner fonctionnellement des ensembles de données IRMf multi-sites homogènes, et ainsi améliorer la performance de prédiction dans chaque site. SSTL extrait d'abord un ensemble de caractéristiques communes à tous les sujets de chaque site. Il utilise ensuite la TL pour mettre en correspondance ces caractéristiques spécifiques au site avec un espace partagé indépendant du site afin d'améliorer les performances de la MVPA. SSTL utilise une procédure d'optimisation évolutive qui fonctionne efficacement pour les ensembles de données d'IRMf à haute dimension. La procédure d'optimisation extrait les caractéristiques communes pour chaque site en utilisant un algorithme à une seule itération et fait correspondre ces caractéristiques communes spécifiques au site à l'espace partagé indépendant du site. Nous évaluons l'efficacité de la méthode proposée pour le transfert entre diverses tâches cognitives. Nos expériences complètes valident que SSTL atteint des performances supérieures à d'autres techniques d'analyse de pointe.