基于自適應多任務卷積神經網絡的腦網絡分類方法

邢新穎 冀俊忠 姚 垚

(北京工業大學信息學部計算機學院 北京 100124)

腦網絡是一種利用腦成像數據從結構連接或功能連接角度定量地刻畫人腦系統的方式，包括人腦結構網絡或人腦功能網絡[1-2].腦網絡可以被表示為由節點和邊構成的圖(graph)模型.圖模型中的節點一般為由多個神經元組成的感興趣區域(region of interest, ROI)或指某一特定腦區，邊通常表示相應ROI或腦區對之間的連接強度.為了便于存儲，一般使用鄰接矩陣表示腦網絡數據，矩陣中的一行或一列分別對應于圖模型中的節點.自動挖掘和分析受試者腦網絡數據的特征，并推斷其是否患有某種精神性腦疾病，這種方法被稱為腦網絡分類.腦網絡分類方法的研究和應用有助于人類更好地理解腦疾病發病機理和腦疾病患者的早期診斷，故而具有重要的研究與應用價值.在與腦網絡分類任務相關的機器學習方法中，最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)方法和支持向量機(support vector machine, SVM)方法的應用最為廣泛[3-5].但這2種傳統機器學習方法屬于淺層模型，面對高維、小樣本的腦網絡數據時，其擬合能力往往存在明顯不足.最近，基于深度學習的腦網絡分類方法因其出色的特征表達能力，逐漸成為該領域中新的研究熱點.目前多數研究集中在全連接神經網絡(fully connected neural network， FCNN)方法和卷積神經網絡(convolutional neural network, CNN)方法這2類腦網絡分類方法.

FCNN方法是最簡單但最常用的深度學習方法.2015年Kim等人[6]對FCNN方法中的神經網絡參數進行預訓練并施加稀疏性限制，然后應用于精神分裂癥的分類任務中，首次驗證了FCNN方法在腦網絡分類研究中的有效性.2017年Guo等人[7]在棧式稀疏自編碼(stacked sparse autoencoders, SSAE)方法的基礎上提出了一種特征選擇方法，通過將該方法應用于腦網絡分類識別出32條與自閉癥(autism spectrum disorder, ASD)相關的異常功能連接邊.2018年Zeng等人[8]為了實現精神分裂癥的多站點數據分類，提出了一種深度判別自編碼器，該自編碼器通過引入稀疏約束項來學習不同站點數據間與疾病相關的共性特征，首次實現了基于深度學習的多站點精神分裂癥分類.2019年Ju等人[9]將SSAE方法應用于對輕度認知障礙患者和健康受試者進行分類，該方法的分類準確率與傳統機器學習方法相比有顯著提高. 此外該研究進一步分析了腦網絡數據和原始rs-fMRI(resting-state functional magnetic resonance imaging)數據在相同方法下所得結果的差異，發現腦網絡數據在神經性腦疾病的分類診斷任務中更具優勢.同年，Kong等人[10]首先構建受試者的人腦結構網絡，然后根據F1-score進行特征選擇，最后選擇F1-score值排在前3 000的特征作為SSAE方法的輸入完成分類任務，在小型ABIDE I(autism brain imaging data exchange I)數據集上取得了高達90.93%的分類準確率.為了緩解樣本少對分類性能的影響，有研究人員將遷移學習方法應用到腦網絡的分類研究中.例如He等人[11]首先在ABIDE I數據集上用SSAE方法無監督預訓練一個模型用于學習ASD患者的腦網絡數據蘊涵的潛在特征，然后將其應用于早產兒認知功能缺陷的分類診斷中，該研究首次驗證了遷移學習在腦網絡分類研究中的可行性.然而，FCNN方法存在2個影響腦網絡分類性能的缺陷：一方面其參數量通常非常大，而腦網絡數據樣本少，容易出現因模型復雜導致的過擬合現象；另一方面，其輸入為1維向量，需要將腦網絡的鄰接矩陣數據重塑為1維，破壞了腦網絡中的拓撲結構信息[4].

CNN方法具有權值共享和局部連接特性.相比于FCNN方法，CNN方法不僅有效地降低了參數量，還在處理網格型數據方面有著巨大優勢.除了在人臉識別等圖像分類領域中取得的成功[12-13]，近年來也被成功應用于腦網絡分類研究中.2017年Kawahara等人[14]首次專門為腦網絡提出了基于CNN的BrainNetCNN方法，其考慮到腦網絡的拓撲局部性，并依次設計了3種卷積層分別用于提取不同層級的腦網絡拓撲特征.同年，Meszlenyi等人[15]提出了CCNN(connectome CNN)方法，該方法充分利用了CNN方法中的多通道結構和多種具有不同信息的腦網絡數據以提高腦網絡分類效果.然而，上述2個研究均使用1維卷積核對腦網絡數據進行逐行(列)的特征提取，根據CNN方法的權值共享機制，在這種逐行(列)的特征提取過程中會為連接至同一節點的每條邊賦予相同的權重，顯然有悖于神經科學中每條邊都具有特定含義的特性[4].2018年12月考慮到腦網絡中每條邊的獨特意義，我們提出了一種具有獨立卷積核的卷積神經網絡(convolutional neural network with element-wise filers, CNN-EW)的方法，這種卷積核賦予每個節點和每條邊一個唯一的權重，能夠更真實地反映腦網絡的拓撲結構信息.在ABIDE I數據集上的實驗表明，該方法不僅能夠準確識別不同受試者是否患病，而且能夠精確地識別異常腦區，表現出一定的臨床應用潛力[16].

綜上，盡管已有研究為腦網絡分類提供了一些解決方案，但是其分類性能仍然有待進一步提升.在真實的臨床應用中，為了更加準確地對患者進行診斷，專家通常會參考患者的臨床表型信息，例如年齡、性別、智商等. 近年來，許多研究表明臨床表型信息可有助于腦疾病診斷[17-20].可以說，臨床表型差異是腦網絡差異的外在表現，而臨床表型數據往往獲取成本較低，非常適合作為腦網絡分類的輔助數據.因此，本文提出一種基于自適應多任務卷積神經網絡的腦網絡分類方法.該方法首先以腦網絡分類任務為主要任務，臨床表型預測(回歸)任務為輔助任務，通過多任務卷積神經網絡并行學習獲得分類模型；同時，在多任務學習過程中利用一種新的自適應多任務學習方法來自動確定各個子任務的權重，以降低實驗成本并減少人為操作導致的分類誤差.具體來說，本文的主要貢獻包括2個方面：1)將臨床表型預測任務引入腦網絡分類研究中，通過多任務學習來提高腦網絡的分類性能；2)提出了一種自適應多任務學習方法，該方法可以自適應地為輔助任務的賦予不同權重從而進一步提高多任務學習的性能.

1 相關工作

多任務學習(multi-task learning, MTL)方法是指一類同時學習多個子任務的機器學習方法.這類方法具有共享表示機制，能夠有效地從多個任務中學習共享特征，進而提高泛化能力.盡管MTL方法已經在物體檢測、自動駕駛等計算機視覺領域有許多成功的應用，將MTL方法應用于其他相對不成熟的領域仍存在許多困難.大多數單任務的機器學習算法通過最小化一個損失函數來進行特征學習.然而，直接將MTL方法的損失函數定義為多個子任務損失函數相加，最終往往會由于不同子任務的學習難度和損失值規模存在差異，導致部分子任務主導了最小化MTL方法的損失函數，而其余子任務難以參與的現象.一個簡單的解決方法是對不同子任務損失函數施加不同的子任務權重進行加權求和：

(1)

2018年文獻[21]提出基于同方差不確定性來自動確定各個子任務的權重.該方法將分類、回歸任務的輸出分別定義一個服從方差為σ2的分布，并通過估計方差值來衡量相應任務的重要性，更具體來說：

首先，重新將分類和回歸任務的輸出定義為服從方差為σ2的分布.如式(2)所示，回歸任務的輸出被定義為一個方差為σ2的高斯分布，其中，x和y分別為樣本和樣本的標簽，W和f(x;W)分別為神經網絡的權重和輸出.

(2)

分類任務的輸出是離散的，因此，如式(3)所示，其輸出被定義為服從溫度系數(即方差)為σ2的Gibbs分布.

(3)

然后，分別對2類任務的方差σ2進行最大似然估計，得到回歸任務的對數似然函數：

(4)

分類任務的對數似然函數：

(5)

最后，將上述方法應用在多任務學習過程中，通過最大化對數似然函數來進行多任務學習.例如一個同時學習回歸任務p(y1|f(x;W);σ1)和分類任務p(y2|f(x;W);σ2)的多任務學習方法的對數似然函數：

(6)

而最大化式(6)就等價于最小化式(6)的相反數.

最終，多任務學習的損失函數可被定義為

(7)

Fig. 1 Framework of brain networks classification based on multi-task CNN-EW (MTCNN-EW)圖1 基于多任務卷積神經網絡(MTCNN-EW)的腦網絡分類方法的框架

盡管文獻[21]的方法為自動確定子任務權重提供了一個初步解決思路，但是，它存在3點不足：

3) 對自動確定的子任務權重沒有約束，即αt∈(0,+)且相互獨立.這使得在梯度更新過程中容易因梯度過大而導致參數溢出.

因此，我們提出了一種新的自適應多任務學習方法，并將其應用于腦網絡分類的研究中，該方法能夠有效地改進文獻[21]方法存在的以上3點不足.

2 自適應多任務卷積神經網絡的腦網絡分類

本節我們分2部分由淺至深地對基于自適應多任務卷積神經網絡的腦網絡分類方法進行介紹，分別為多任務卷積神經網絡(2.1節)和自適應多任務卷積神經網絡(2.2節).

2.1 多任務卷積神經網絡

(8)

根據上述介紹，基于MTCNN-EW的腦網絡分類方法的訓練過程如算法1所示：

算法1.基于多任務卷積神經網絡(MTCNN-EW)的腦網絡分類方法.

輸入：訓練集(X,Y,P)，其中腦網絡類別標簽Y=(y1,y2)、臨床表型數據P=(p1,p2,…,pT)，腦網絡分類任務權重α0、臨床表型輔助任務權重{α1,α2,…,αT}，αt=(1-α0)T；

輸出：最優神經網絡權重W*和偏置b*.

① 隨機初始化神經網絡權重W和偏置b；

② while未達到停止條件do

⑤ 計算整體損失值.根據式(9)，計算MTCNN -EW方法的總體損失函數值；

⑥ 更新參數.使用梯度更新算法學習神經網絡權重W和偏置b；

⑦ end while

⑧W*=W，b*=b.

我們在算法1的損失函數中添加L2正則化項以緩解可能遇到的過擬合的問題：

(9)

在MTCNN-EW方法中，由于多任務學習具有共享表示機制，各個臨床表型預測任務與腦網絡分類任務之間共享腦網絡特征，間接為腦網絡類別決策提供輔助信息.

2.2 自適應多任務卷積神經網絡

與大多數多任務學習一樣， MTCNN-EW方法需要人工調整各個子任務的權重，造成較高的實驗成本.因此，為了降低人工實驗成本，并且精確地進行子任務權重設置，我們提出一種基于自適應多任務卷積神經網絡(adaptive multi-task CNN-EW， AMTCNN-EW)的腦網絡分類方法.該方法利用自適應多任務學習(adaptive multi-task learning, AMTL)方法，在訓練過程中根據各個子任務的損失自適應地調整相應任務的權重αt.AMTCNN-EW方法的損失函數定義為

(10)

其中各個子任務權重無需人工手動調整.

在AMTCNN-EW方法中，AMTL方法的基本思想是：首先，沿用文獻[21]中回歸和分類任務輸出方差的估計方法；然后，直接利用微積分學中最大值求解方法解得各個子任務的輸出方差估計值；最后，對每個任務的方差估計值進行了歸一化，在獲取相應任務的權重的同時確保不會因為梯度過大而導致參數溢出的問題.詳細步驟為：

1) 子任務似然方程求解

首先，AMTL方法基于文獻[21]方法在式(4)和式(5)的基礎上進行多任務的輸出方差σ2的估計.由于S=lnσ2比σ2更穩定，可以利用S=lnσ2來代替直接估計σ2，所以回歸和分類任務的對數似然函數分別為

(11)

(12)

(13)

(14)

2) 自適應多任務權重調節

(15)

顯然，根據上述步驟求解子任務權重的AMTL方法能夠有效避免文獻[21]方法的不足，具體來說：

3) 通過歸一化使子任務權重αt之和為1，在子任務間建立了相對的約束關系，避免了梯度更新過程中因梯度過大而導致參數溢出風險.

綜上，基于AMTCNN-EW的腦網絡分類方法的訓練過程如算法2所示：

算法2.基于自適應多任務卷積神經網絡(AMTCNN-EW)的腦網絡分類方法.

輸入：訓練集(X,Y,P)，其中，腦網絡類別標簽Y=(y1,y2)、臨床表型數據P=(p1,p2,…,pT);

① 隨機初始化神經網絡權重W和偏置b；

② while未達到停止條件do

⑥ 自適應多任務權重調節.利用式(15)，自適應地為各個子任務計算權重α0和{α1,α2,…,αT}；

⑦ 計算整體損失值.計算AMTCNN-EW方法的總體損失函數值；

⑧ 更新參數.使用梯度更新算法學習神經網絡權重W和偏置b；

⑨ end while

⑩W*=W，b*=b；

算法2同樣在損失函數中增加L2正則化項(式(16))并且采取提前停止策略.

(16)

3 實驗與結果

3.1 實驗數據與預處理

1) 人腦功能網絡數據

實驗部分使用的數據集全部來自于ABIDE I[22].ABIDE I收集了17個國際站點，共計1 112名受試者的rs-fMRI數據和sMRI(structural magnetic resonance imaging)數據，并記錄了相應受試者的臨床表型.

原始rs-fMRI數據需要經過一系列預處理操作后得到人腦功能網絡數據.首先，出于可復現性考量，我們使用了PCP(preprocessed connectomes project)項目[22]提供的利用DPARSF軟件進行預處理后的數據，其中有16名受試者的預處理數據異常，我們使用了數據正常的569個對照組受試者和527個實驗組(即ASD患者)受試者的預處理數據.然后，利用自動解剖標記圖譜(automated anatomical labeling, AAL)從預處理數據中提取感興趣區域(ROI)的平均時間序列，我們去除了位于小腦的腦區，僅選取位于大腦皮層的90個腦區(即|V|=90)作為ROI.最后，利用皮爾森相關系數(Pearson correlation coefficient, PCC)計算每對ROI平均時間序列之間的相似度，得到的帶權鄰接矩陣即可表示相應受試者的人腦功能網絡.

2) 臨床表型數據

由于來自不同站點的臨床表型種類存在差異，我們按照2個標準對臨床表型進行篩選：1)臨床表型不能與腦疾病診斷結果直接相關，如長期用藥史；2)缺失的數據占比不應高于30%.

按照上述方法對ABIDE I數據集的臨床表型數據進行篩選，最終確定的臨床表型(編號1～7)如表1所示.對于這7種臨床表型中存在的數據缺失問題，我們根據相應臨床表型數據中的非缺失值的數據分布特點填充缺失值，具體方法為：

1) 年齡(age).眾所周知，神經疾病在不同年齡段中的發病率不同，年齡是分析和診斷神經疾病不可忽視的因素和重要線索.當年齡數據出現缺失問題時，可以將缺失數據用相應數據組中(即對照組或實驗組)其他受試者的平均值填充.

2) 性別(sex).男性和女性在大腦功能和結構方面有明顯差異，許多疾病在不同性別中的發病率、發病機理和癥狀表現不同，這使得性別成為診斷腦疾病的一大重要考量因素.考慮到數據采集時一般會盡量保證不同數據組的性別分布一致，因此，當性別數據出現缺失問題時，可以假定缺失數據為樣本量較小的性別類型.

3) 利手(handedness)，指受試者的常用手. 作為大腦結構和功能不對稱性的外部表現，利手與許多疾病存在密切的關聯.由于大多數人為右利手，所以當利手數據出現缺失問題時，可假定為右利手.

5) 眼睛狀態(eye status).在數據采集過程中，受試者通常會被指定眼睛狀態(睜眼或閉眼)，眼睛狀態不同，大腦活動的區域往往不同.但是，存在一部分研究沒有指定并記錄眼睛狀態導致數據缺失問題，可以將眼睛狀態填充為區別于睜眼和閉眼的自由狀態.

Table 1 Details of Clinical Phenotype from the ABIDE I Dataset表1 從ABIDE I數據集中篩選出的臨床表型詳細信息

3.2 實驗設置和超參數

實驗過程中，所有基于深度學習的腦網絡分類方法均采用如表2所示的超參數設置，以Adam方法作為梯度更新算法來最小化損失函數.實驗數據按照3∶1∶1劃分數據集，展示的所有結果均在測試集上由10次5折交叉驗證法給出.

3.3 MTCNN-EW方法權重設置對分類準確率的影響

在多任務學習中，每個任務的權重通常根據研究人員的經驗和實驗結果進行設定，我們依次將MTCNN-EW方法中腦網絡分類任務的權重α0設置為0.1～0.9，并將(1-α0)均分給各個臨床表型輔助任務，即αt=(1-α0)T，T=7.MTCNN-EW方法的權重設置對分類準確率的影響如圖2所示：

Table 2 Hyper Parameter Settings表2 超參數設置

Fig. 2 Accuracy of MTCNN-EW with different α0圖2 不同權重α0下MTCNN-EW方法的分類準確率

顯而易見，權重設置的合理性對多任務學習方法的分類性能至關重要，具體來說：α0<0.3時，MTCNN-EW方法的分類準確率在驗證集和測試集上的表現相對較差；α0>0.3時，MTCNN-EW方法的分類準確率在驗證集和測試集之間逐漸出現明顯的差異，模型陷入了局部最優.因此，α0=0.3為MTCNN-EW方法中腦網絡分類任務的最佳權重設置，此時分類準確率最高.

3.4 AMTCNN-EW方法的性能測試

為了驗證并分析本文提出的自適應多任務學習(AMTL)方法的性能，我們在腦網絡分類任務上分別從2個角度對AMTCNN-EW方法進行實驗.

第1個角度從損失函數和子任務權重收斂情況 出發.通過對比AMTLCNN-EW方法和基于文獻[21]的方法，可驗證和分析AMTL方法在多任務學習過程中對各個任務的損失函數值和相應任務權重的收斂效果.

基于文獻[21]的方法其結果如圖3所示，為清晰起見，圖3(b)中僅展示了主要任務——腦網絡分類任務的權重(α0)曲線，和3項輔助任務的權重(α2,α3和α6)曲線，分別為性別、利手和操作智商.由圖3可知，神經網絡權重W和各個子任務的權重αt均出現無法正常收斂的情況，具體來說，當迭代次數Step=250左右時，模型迅速過擬合，這是由于該方法對各個子任務的權重沒有限制，在執行梯度更新算法過程中梯度過大導致；當迭代次數Step>500時，損失函數值下溢，神經網絡訓練失敗.

Fig. 3 Train plot of the method of Ref[21]圖3 文獻[21]方法的訓練曲線

相反，基于AMTL的AMTLCNN-EW方法其結果如圖4所示，無論是損失函數值還是子任務權重均如期收斂.分析圖4(a)可知，Step>1 000時，AMTLCNN-EW方法在訓練集上損失值仍持續下降，在驗證集和測試集上的損失值能夠保持穩定；直到Step=1 800時，在訓練集上的損失值開始趨于穩定，此時提前結束訓練，AMTLCNN-EW方法沒有出現過擬合現象.由圖4(b)可知，Step>1 000后，各個子任務的權重曲線逐漸平緩，腦網絡分類任務和3項輔助任務的權重最終收斂至0.3,0.1,0.15和0.05.可見，AMTL方法可以自適應且準確地求解各個子任務權重.

Fig. 4 Train plot of the AMTL圖4 AMTL方法的訓練曲線

第2個角度主要針對各個子任務的權重值進行分析.通過對比AMTCNN-EW方法和需要人工設置子任務權重的MTCNN-EW方法，可驗證和分析AMTL方法學習得到的子任務權重是否合理.

首先利用AMTCNN-EW方法自適應地確定了各個子任務權重，腦網絡分類任務權重α0最終平均收斂值為0.296，7項臨床表型輔助任務權重α1至α7的平均收斂值分別為：0.093，0.114，0.140，0.085，0.093，0.090，0.089.通過分析這幾項權重可以看出，利手和性別這2類臨床表型能夠提供相對有效的信息用于輔助腦網絡分類.目前，來自世界各國的許多研究表明男孩ASD發病率明顯相對較高；也有一些研究發現，ASD患者人群具有相對高的混合利手率[19]和左利手率[20].眾所周知ASD患者的核心癥狀表現在語言交流方面存在障礙，AMTCNN-EW方法中語言智商的權重值明顯高于操作智商的權重的結果與這一現象不謀而合.另外，各個臨床表型輔助任務的權重值相差不大，說明不同的臨床表型輔助任務都能夠為腦網絡分類任務提供了一定信息.

對比MTCNN-EW方法和AMTCNN-EW方法的結果可知，以腦網絡分類任務作為多任務學習的主要任務，AMTCNN-EW方法確定其權重為α0=0.296，該結果與MTCNN-EW方法中人工設置的最佳權重α0=0.3基本一致.

以上結果說明AMTL方法可以自適應且準確地評估每個任務的相對重要程度，利用AMTL方法可避免人工調試子任務權重，節約實驗成本.

3.5 2類多任務卷積神經網絡對比實驗

引入臨床表型輔助任務主要是為了更好地完成腦網絡分類任務.因此，我們從文獻[16]的CNN-EW方法中選取分類性能最佳的E2Nnet-EW模型作為基線模型，分別從準確率(Accuracy)、靈敏度(Sensitivity)和特異性(Specificity)三個指標對比這2類引入了臨床表型輔助任務的腦網絡分類方法，其結果如表3所示：

Table 3 Performance of 2 Types of Multi-Task CNN-EW and CNN-EW

由表3可知，引入臨床表型預測輔助任務，并通過MTCNN-EW方法和AMTCNN-EW方法為腦網絡分類提供輔助信息是可行的，2種方法均取得了比CNN-EW方法更好的分類性能.特別地，AMTCNN-EW方法在3個評價指標上均達到最高值.這一結果證明了AMTCNN-EW方法能夠更好的挖掘臨床表型預測任務提供的信息，使得模型學習到更加完備的腦網絡特征，從而獲得更好的分類性能.需說明，一旦這2類多任務卷積神經網絡模型完成訓練，無需額外提供臨床表型數據，便可單獨完成腦網絡分類任務，這一特點使這2類多任務腦網絡分類方法自然地適合應用于真實的臨床診斷場景中.綜上所述，引入臨床表型預測輔助任務的思路是合理的，且基于自適應多任務卷積神經網絡(AMTCNN-EW)的腦網絡分類方法不僅能夠充分學習到臨床表型預測任務提供的輔助特征，而且能夠自動確定各個子任務權重，避免了人為操作帶來的分類誤差，因而具有最好的分類性能.

3.6 多種經典方法的對比實驗

如引言所述，基于傳統機器學習的方法和基于深度學習的方法是目前解決腦網絡分類問題常用的2類方法.為了驗證本文提出的AMTCNN-EW方法相比于其他方法的優劣，我們從上述2類方法中選取5種經典方法與AMTCNN-EW方法進行對比實驗，分別實現了文獻[3]首次提出并已廣泛應用于腦網絡分類問題中的基于RFE_SVM的方法，其中，特征選擇的數量為200；文獻[5]提出的基于LASSO的方法，其中，L1正則化項的權重衰減參數λL1=5×10-3；文獻[9]提出的基于SSAE的方法，包括2個具有200個神經元的隱藏層，并且，稀疏性參數ρ=0.1，稀疏性懲罰因子的權重β=3.0，L2正則化項的權重衰減參數λL2=1×10-2；文獻[14]中提出的基于CNN的BrainNetCNN方法，我們選擇腦網絡分類性能最好的E2Nnet模型，其中λL2=1×10-2；文獻[16]中提出的CNN-EW方法，同樣選擇腦網絡分類性能最好的E2Nnet-EW模型，其中λL2=1×10-3.由于這些文獻中使用的數據與本文不同，因此，上述所有方法的參數均為在本文數據集上的最佳配置.

由圖5所示的實驗結果可以發現，AMTCNN-EW方法的各項評價指標均明顯高于其他方法.這6種方法中，基于深度學習的腦網絡分類方法優于傳統機器學習方法，這體現了深度學習在處理高維樣本時的優勢.在4種深度學習方法中，AMTCNN-EW方法優勢明顯.特別地，AMTCNN-EW方法的共享表示層部分與E2Nnet-EW方法一致，但是經過T檢驗驗證兩者的分類性能，AMTCNN-EW方法的分類準確率和特異性顯著優于前者(p<0.05)，主要有2方面原因：1)AMTCNN-EW方法通過多任務學習的共享表示機制學習臨床表型差異與腦網絡異常之間共享特征，為腦網絡類別決策起到了輔助作用；2)AMTCNN-EW方法通過AMTL方法求解各個子任務的權重，能夠比人工調整更準確地設置每個任務對整體的貢獻.總而言之，通過AMTCNN-EW方法引入并利用多種臨床表型輔助任務能夠有效提高腦網絡分類性能.

4 總 結

鑒于不同人群的臨床表型與其腦網絡差異存在著一定的依存關系，有望為腦網絡分類提供有用的信息.因此，為了進一步提升腦網絡分類方法的性能，我們提出了一種基于自適應多任務卷積神經網絡的腦網絡分類方法.本文分2部分由淺至深地對基于多任務卷積神經網絡(MTCNN-EW)、自適應多任務卷積神經網絡(AMTCNN-EW)2類腦網絡分類方法進行全面的研究和探索.特別地，本文提出的AMTCNN-EW方法不僅能夠充分利用臨床表型預測任務提供的輔助信息，而且能夠在訓練過程中自適應且準確地求解各個任務的權重，降低人工操作帶來的實驗成本和分類誤差.在ABIDE I真實數據集上的實驗結果表明：1)通過引入臨床表型預測任務，并利用MTCNN-EW方法和AMTCNN-EW方法提取臨床表型差異與腦網絡異常之間的共享特征，能夠有效輔助腦網絡分類；2)AMTCNN-EW方法能夠較準確地對各個子任務的權重進行求解，進一步提升了分類性能，而且與多種經典方法相比具有明顯的優勢.