GraphVar 2.0:機能的ネットワーク特徴量による機械学習用のユーザーフレンドリなツールボックス

GraphVar 2.0: A user-friendly toolbox for machine learning on functional connectivity measures L. Waller, A. Brovkin, L. Dorfschmidt,D. Bzdok,H. Walter,J.D. Kruschwitz
Journal of Neuroscience Methods, Volume 308:, Pages 21-33,1 October 2018

“背景:
我々はこれまでGraphVarを脳機能ネットワーク解析の包括的なグラフ理論解析のための使いやすいMATLABツールボックスとして提示した.ここでは,ツールボックスの包括的な拡張機能を紹介する.これにより,ユーザーは機能的な接続方法や追加機能を介して、簡単にカスタマイズ可能なデコードモデルをシームレスに探索できる.
新たな手法 :
GraphVar 2.0 は機械学習モデル構築,検証,探索を提供する.
機械学習はグラフ理論特徴量と追加変数の任意の組み合わせを使用して実行することができ,ニューロイメージングに柔軟性をもたらす.
結果:
高速一般線形モデル(general linear model : GLM)による脳機能ネットワークの構築やグラフ理論的解析などの以前に統合された機能に加えて,ユーザはconnectivity matrices,graph measuresおよびインポートされた追加変数にわたってカスタマイズ可能な機械学習を実行できるようになった.
新しい拡張機能は,分類と回帰の性能におけるパラメトリック,ノンパラメトリックなテスト,データのエクスポート,図の生成と高品質のエクスポートも提供する.
既存手法との比較:
GraphVar 2.0は,他の既存のツールボックスと比較して,
(1)包括的なカスタマイズ,(2)オールインワンのユーザーフレンドリーなインターフェイス,(3)カスタマイズ可能なモデルデザインおよび手動のハイパーパラメータの入力(4)インタラクティブな結果の探索とデータのエクスポート (5)同じセッション内で複数の結果変数をモデリングするための自動キューシステム,(6)簡単な入門説明書に従う.
結論:
GraphVar 2.0は,機能的ネットワーク解析に基づいた測定法でのエンコード(GLM)およびデコード(ML)モデリングアプローチの包括的で使いやすい探索を可能にし,神経科学のビッグデータをより広範囲のニューロイメージング研究者に容易に扱うことができるようにする.