MARC

 008250123s2024        us                              c    eng  d
■001000017161196
■00520250211151323
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382757803
■035    ▼a(MiAaPQ)AAI31239665
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aPorter,  Alexis  Grace.
■24510▼aUnderstanding  Cognitive  and  Psychopathological  Variability:  The  Role  of  Individual  Differences  in  Machine  Learning  Applications
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a187  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Gratton,  Caterina.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aThe  study  of  psychiatric  disorders  often  involves  tracking  changes  in  brain  function  as  it  relates  to  symptoms.  While  research  has  found  significant  differences  in  functional  network  organization  as  it  relates  to  various  clinical  outcomes,  the  exact  neural  biomarkers  that  contribute  to  symptom  severity  is  often  inconsistent.  Prior  research  has  shown  that  methodological  considerations  in  sample  size,  motion  artifacts,  and  increasing  data  quantity  at  the  individual  level  can  lead  to  substantial  improvements  in  reliability.  In  Chapter  1,  I  provide  a  brief  overview  on  existing  work  surrounding  different  methodological  approaches  that  improve  prediction  of  behavioral  variables  from  brain  network  data.  In  the  next  three  chapters,  I  describe  research  projects  that  aimed  to  use  different  cutting-edge  approaches  to  improve  machine  learning  prediction  of  behavior.  In  Chapter  2,  I  tested  whether  machine  learning  classification  can  improve  our  understanding  of  how  brain  networks  are  altered  during  tasks  by  using  an  individual  specific  approach.  I  found  that  individual  focused  approaches  can  uncover  robust  features  of  brain  states,  including  features  obscured  in  cross-subject  analyses.  In  Chapter  3  I  asked  whether  prediction  of  Schizophrenia  Spectrum  Disorders  could  be  improved  by  joining  together  different  neuroimaging  modalities.  I  conducted  a  meta-analysis  and  systematic  review  of  the  existing  literature  and  found  no  significant  evidence  for  an  advantage  of  multimodal  relative  to  unimodal  imaging  approaches.  However,  this  result  could  have  been  driven  by  biased  effect  sizes,  particularly  highlighting  the  need  for  improvements  in  data  quality  and  quantity.  In  Chapter  4  I  sought  to  test  whether  the  prediction  of  clinical  (especially  psychosis)  and  cognitive  measures  from  brain  network  data  could  be  improved  by  either  using  person-specific  parcellations  or  extended  amounts  of  data  from  each  participant.  I  found  that  increasing  the  quantity  of  data  at  the  individual  level  exhibited  significant  improvements  at  predicting  clinical  and  cognitive  measures  compared  to  resting  state  models,  with  only  smaller  scale  effects  associated  with  individual  parcellations.  Finally,  in  Chapter  5  I  provide  a  brief  general  discussion  to  highlight  the  contributions  of  this  work  and  future  directions.
■590    ▼aSchool  code:  0163.
■650  4▼aCognitive  psychology
■650  4▼aNeurosciences
■650  4▼aComputer  science
■650  4▼aMedical  imaging
■653    ▼aCognitive  measures
■653    ▼aPsychosis
■653    ▼aClinical  outcomes
■653    ▼aIndividual  differences
■653    ▼aMachine  learning
■690    ▼a0633
■690    ▼a0984
■690    ▼a0574
■690    ▼a0800
■690    ▼a0317
■71020▼aNorthwestern  University▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161196▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서