Improving Prenatal Alcohol Exposure classification using Data Augmentation in 3D Convolutional Neural Networks
Notice bibliographique
Résumé
Prenatal alcohol exposure (PAE) is the consumption of alcohol by a mother during pregnancy, potentially leading to a range of developmental and behavioral problems in the child. Early detection is vital to mitigate these problems. In addition to clinical assessment, magnetic resonance (MR) scans offers a non-invasive method to examine the brain's detailed structure, enabling researchers to explore subtle anatomical variations associated with PAE. Machine learning, particularly$3\mathrm{D}$Convolutional Neural Networks (CNNs), serves as a powerful tool to automatically identify patterns in the children's brains. However, the limited size of available PAE data creates a significant bottleneck for developing effective models. To address this, our goal is to explore data augmentation techniques to artificially expand the dataset, thereby improving model performance and generalizability. We assessed three rates of data augmentation$(1x,\ 3x,\ 6x)$in six 3D CNN models with increasing architectural complexity. Adding data augmentation significantly improved validation accuracy$(3x$and$6x \quad vs \quad1x)$, but no significant difference was found between$3x$and$6x$. Models with fewer layers and balanced number of parameters had higher accuracy. In conclusion, simpler CNN architectures generalized better, and data augmentation aids model convergence, though benefits plateau beyond$3x$augmentation. Future work includes adding interpretability modules to identify brain differences among participants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».