まばらな学習によるMRIベースのインテリジェンス商（IQ）推定

この論文では、磁気共鳴画像（MRI）データを使用して、IQ推定の新しいフレームワークを提案します。特に、要素ごとのスパース性とグループごとのスパースの両方を共同で考慮するための拡張されたダーティモデルに基づいた新しい機能選択方法を考案します。一方、IQ推定のために一貫したスキャンプロトコルを備えた大規模なデータセットが存在しないため、さまざまなスキャンパラメーターとプロトコルを持つさまざまなサイトからスキャンされた複数のデータセットを統合します。このようにして、これらの異なるデータセットには大きなばらつきがあります。この問題に対処するために、1）最初に各テスト被験者の可能なスキャンサイトを識別し、2）そのスキャンサイトに設計された特定の推定器を使用して、テスト対象のIQを推定するための2段階の手順を設計します。2つの実験を実行して、6〜15歳の間に発達している164人の子供から収集されたMRIデータを使用して、方法のパフォーマンスをテストします。最初の実験では、IQ値を推定するためにマルチカーネルサポートベクトル回帰（SVR）を使用し、0.718の平均相関係数と、真のIQと推定値の間で8.695の平均根平方方形誤差を取得します。2番目の実験では、IQ推定に単一型SVRを使用し、0.684の平均相関係数と9.166の平均根平方方向誤差を達成します。これらの結果はすべて、IQ予測にイメージングデータを使用することの有効性を示しています。これは、当社の知識に従ってフィールドではめったに行われません。

In this paper, we propose a novel framework for IQ estimation using Magnetic Resonance Imaging (MRI) data. In particular, we devise a new feature selection method based on an extended dirty model for jointly considering both element-wise sparsity and group-wise sparsity. Meanwhile, due to the absence of large dataset with consistent scanning protocols for the IQ estimation, we integrate multiple datasets scanned from different sites with different scanning parameters and protocols. In this way, there is large variability in these different datasets. To address this issue, we design a two-step procedure for 1) first identifying the possible scanning site for each testing subject and 2) then estimating the testing subject's IQ by using a specific estimator designed for that scanning site. We perform two experiments to test the performance of our method by using the MRI data collected from 164 typically developing children between 6 and 15 years old. In the first experiment, we use a multi-kernel Support Vector Regression (SVR) for estimating IQ values, and obtain an average correlation coefficient of 0.718 and also an average root mean square error of 8.695 between the true IQs and the estimated ones. In the second experiment, we use a single-kernel SVR for IQ estimation, and achieve an average correlation coefficient of 0.684 and an average root mean square error of 9.166. All these results show the effectiveness of using imaging data for IQ prediction, which is rarely done in the field according to our knowledge.