Kontrastives Lernen für neuronales Fingerprinting aus begrenzten Neuroimaging-Daten
In der neurowissenschaftlichen Forschung sieht sich unsere Studie mit einer großen Herausforderung konfrontiert: Gelabelte Neuroimaging-Daten sind schwer zugänglich, was die Möglichkeiten überwachter Deep-Learning-Modelle einschränkt. Um dieses Problem zu lösen, haben wir drei Ansätze entwickelt, um die Effektivität von Deep Learning in der Neurobildgebung zu erhöhen, insbesondere wenn es um begrenzte Daten geht. Unsere Forschung befasst sich mit dem neuronalen Fingerabdruck, einer Methode zur Unterscheidung von Individuen auf der Grundlage einzigartiger Gehirnaktivitätsmuster, die sich auch in Szenarien mit begrenzten Daten als robust erweist. Darüber hinaus stellen wir eine flexible Technik zur Datenanreicherung vor, die sich für ein breites Spektrum von Neuroimaging-Modalitäten eignet. Diese Methode wurde speziell entwickelt, um das Modelltraining zu verbessern, selbst bei kleinen Datensätzen. Darüber hinaus untersuchen wir die Einbindung von kontrastivem Lernen in das neuronale Fingerprinting. Diese Integration zielt darauf ab, die Anpassungsfähigkeit und Leistung des Modells zu verbessern, insbesondere wenn es auf neue, ungesehene Daten trifft. Durch diese Strategien haben wir eine Genauigkeit von ca. 98 % bei der Identifizierung von Personen anhand verschiedener funktioneller Konnektivitätsprofile erreicht. Insbesondere der Ansatz des kontrastiven Lernens hat sich als sehr vielseitig erwiesen, vor allem in Szenarien, in denen Probanden vorkommen, die während der Trainingsphase des Modells nicht gesehen wurden.
Diese Studie leistet einen wichtigen Beitrag zum Bereich der Neurobildgebung, indem sie die Genauigkeit und Anwendbarkeit des neuronalen Fingerabdrucks verbessert und die Grundlage für künftige Forschungen in verschiedenen Neurobildgebungskontexten und -methoden schafft. Unsere Arbeit eröffnet neue Wege für die personalisierte Medizin und die fortgeschrittene Hirnforschung und geht die Herausforderungen begrenzter Daten an.
