边界感知变分自编码器结合自监督混合（BVAE+SSup-Mixup）：面向小样本不均衡fMRI神经精神疾病诊断的纯领域内生成式自监督框架

《Scientific Reports》：Beyond transfer learning: a generative self-supervised framework for fMRI-based diagnosis on small and imbalanced datasets

　　

摘要

利用深度神经网络（DNNs）从功能性磁共振成像（fMRI）数据中诊断神经和精神疾病（NeuroPsyD）颇具挑战，尤其是在数据集较小且不均衡的情况下，容易导致严重的过拟合、不稳定性以及敏感性与特异性之间的权衡偏差。迁移学习（TL），包括有监督和无监督预训练，可以在一定程度上缓解这些挑战，但其有效性仍受到领域偏移、标注偏差、多数类偏差以及在极小数据集上收益有限等问题的限制。为了解决这些局限性，我们提出了一种纯领域内生成式自监督框架，无需外部预训练，称为边界感知变分自编码器＋自监督混合（BVAE+SSup-Mixup）。该框架集成了用于无标签表示学习的SSup-Mixup、基于多变量VAE的少数类过采样，以及边界感知的合成样本选择策略，后者在保留靠近决策边界的信息性生成样本的同时，减少了异常值和位置不理想的合成样本。该框架在五项基于fMRI的神经和精神疾病诊断任务上进行了评估，涵盖了极小和中等规模的不均衡数据集。与有监督和自监督迁移学习方法以及基于RHVAE的最先进生成式基线相比，BVAE+SSup-Mixup在大多数任务上均提升了准确率、F1分数和AUC，准确率达到87.7%至95.0%，AUC达到89.3%至94.7%。此外，它还呈现出更加平衡的敏感性与特异性组合，两项指标大多超过85%。这些均衡的提升表明，边界感知增强策略能够提供有针对性的少数类证据，而这可能是迁移学习无法充分利用的。这些发现为在数据严重受限且不均衡的医学影像场景中提供了一种具有迁移学习竞争力的框架概念验证。