DeepComBat: Uma abordagem de aprendizado profundo, robusta a hiperparâmetros e motivada estatisticamente para a harmonização de dados de neuroimagem

Resumo Dados de neuroimagem adquiridos usando múltiplos scanners ou protocolos estão se tornando cada vez mais disponíveis. No entanto, esses dados apresentam artefatos técnicos entre lotes que introduzem confusão e diminuem a reprodutibilidade. Isso é especialmente verdadeiro quando os dados de múltiplos lotes são analisados usando modelos complexos de downstream que têm mais probabilidade de captar e incorporar implicitamente informações relacionadas ao lote. Métodos de harmonização de imagens anteriormente propostos buscaram remover esses efeitos de lote; no entanto, os efeitos de lote permanecem detectáveis nos dados após a aplicação desses métodos. Apresentamos o DeepComBat, um método de harmonização baseado em aprendizado profundo que utiliza um autoencoder variacional condicional e o método ComBat. O DeepComBat combina as forças de métodos estatísticos e de aprendizado profundo para levar em conta as relações multivariadas entre características, ao mesmo tempo em que relaxa suposições fortes feitas por métodos de harmonização de aprendizado profundo anteriores. Como resultado, o DeepComBat pode realizar harmonização multivariada enquanto preserva a estrutura dos dados e evita a introdução de artefatos sintéticos. Aplicamos esse método a medições de espessura cortical de uma coorte de envelhecimento cognitivo e mostramos que o DeepComBat supera qualitativa e quantitativamente os métodos existentes na remoção de efeitos de lote enquanto preserva a heterogeneidade biológica. Além disso, o DeepComBat fornece uma nova perspectiva para métodos de harmonização de aprendizado profundo motivados estatisticamente.