ترجمه فارسی مقاله یادگیری ماشین بر روی اتصال عملکردی پویا: وعده ، مشکلات و تفسیرها

چکیده

An unprecedented amount of existing functional Magnetic Resonance Imaging (fMRI) data provides a new opportunity to understand the relationship between functional fluctuation and human cognition/behavior using a data-driven approach. To that end, tremendous efforts have been made in machine learning to predict cognitive states from evolving volumetric images of blood-oxygen-level-dependent (BOLD) signals. Due to the complex nature of brain function, however, the evaluation on learning performance and discoveries are not often consistent across current state-of-the-arts (SOTA). By capitalizing on large-scale existing neuroimaging data (34,887 data samples from six public databases), we seek to establish a well-founded empirical guideline for designing deep models for functional neuroimages by linking the methodology underpinning with knowledge from the neuroscience domain. Specifically, we put the spotlight on (1) What is the current SOTA performance in cognitive task recognition and disease diagnosis using fMRI? (2) What are the limitations of current deep models? and (3) What is the general guideline for selecting the suitable machine learning backbone for new neuroimaging applications? We have conducted a comprehensive evaluation and statistical analysis, in various settings, to answer the above outstanding questions.

چکیده به فارسی (ترجمه ماشینی)

مقدار بی سابقه ای از داده های تصویربرداری رزونانس مغناطیسی موجود (FMRI) فرصتی جدید برای درک رابطه بین نوسان عملکردی و شناخت/رفتار انسان با استفاده از یک رویکرد داده محور فراهم می کند.برای این منظور ، تلاش های عظیمی در یادگیری ماشین برای پیش بینی حالات شناختی از در حال تحول تصاویر حجمی سیگنال های وابسته به سطح خون (BOLD) انجام شده است.با این حال ، با توجه به ماهیت پیچیده عملکرد مغز ، ارزیابی عملکرد یادگیری و اکتشافات غالباً در بین دولت های فعلی (SOTA) سازگار نیست.ما با سرمایه گذاری در داده های عصبی موجود در مقیاس بزرگ (34887 نمونه داده از شش بانک اطلاعاتی عمومی) ، ما به دنبال ایجاد یک راهنمای تجربی به خوبی مستقر برای طراحی مدل های عمیق برای تصاویر عصبی عملکردی با پیوند روش شناسی زیربنای دانش از حوزه عصبی است.به طور خاص ، ما کانون توجه را در (1) عملکرد فعلی SOTA در تشخیص کار شناختی و تشخیص بیماری با استفاده از FMRI چیست؟(2) محدودیت های مدل های عمیق فعلی چیست؟و (3) دستورالعمل کلی برای انتخاب ستون فقرات یادگیری ماشین مناسب برای برنامه های جدید تصویربرداری عصبی چیست؟ما در تنظیمات مختلف ، یک ارزیابی جامع و تجزیه و تحلیل آماری انجام داده ایم تا به سؤالات برجسته فوق پاسخ دهیم.