arXiv cs.AI· Aditya Kothapalli, Aaryan Gera, Sathvik Reddy V, Ninad Aithal, Debanjali Bhattacharya, Neelam Sinha·· 3 天前AI 评分12
基于 DWI 连接组与监督变分自编码器的青年性别分类
DWI Connectome-based Sex Classification in Young using Supervised Variational Autoencoder
AI 导读
研究用监督变分自编码器（SVAE）从 787 名 15-25 岁青年的 DWI 结构连接组中提取潜空间特征，覆盖 82 个 Desikan-Killiany 图谱 ROI，用于性别分类。将 SVAE 学到的潜空间特征输入多种机器学习模型后，多层感知机取得最高 80% 的分类准确率。该工作展示了 DWI 脑连接组与深度学习区分性别的潜力，并为未来纳入跨性别个体的多样化人群研究铺路。
正文 · AI 翻译
摘要：在青春期，大脑发育的显著变化受到激素变化的影响，这些变化同时影响身体和大脑。本研究使用弥散加权（DWI）结构连接组，对 787 名年龄在 15-25 岁之间的年轻成年人进行性别分类，重点关注 82 个 Desikan-Killiany 图谱 ROI。采用监督变分自编码器（SVAE）从 DWI 连接组数据中提取潜在空间特征。尽管已有若干研究探讨了性别之间大脑结构和功能的差异，本研究的主要贡献在于引入 SVAE，为性别分类任务学习紧凑、正则化的潜在表示。初步探索性数据分析表明，这些特征能够捕捉性别特异性潜在空间模式的差异。随后，学习到的潜在空间 SVAE 特征被输入到不同的机器学习模型中进行性别分类。在所考虑的机器学习分类器中，多层感知机在性别分类中取得了最高的 80% 准确率。这证明了 SVAE 在从 DWI 连接组中学习紧凑、信息丰富的表示以用于性别分类方面的有效性。本工作凸显了使用 DWI 脑连接组学和深度学习来区分性别的潜力，为未来针对包括跨性别个体在内的多样化人群的研究铺平了道路，以更好地理解大脑结构中与性别相关的变异。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.16348 [cs.LG] |
| （或使用 arXiv:2610.16348v1 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.16348 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Debanjali Bhattacharya [查看电子邮件]
[v1]
2026年10月12日星期一 08:04:44 UTC（2,898 KB）
来源：arXiv cs.AI · arxiv.org