多特征拼接和多分类器堆叠：一种可解释和可泛化的基于 rsfMRI 的 MDD 判别机器学习方法
原文中文，约300字，阅读约需1分钟。发表于：。通过使用多种特征和多种分类器的机器学习方法（MFMC），对使用 REST-meta-MDD 数据集的 2428 名受测者进行测试，MFMC 的 MDD 区分准确率达到 96.9％，明显改善了现有方法；并且，验证了 MFMC 的泛化能力，当训练和测试受测者来自独立的场地时，其表现仍然良好。这些结果将有助于将 13 个特征值作为临床有用的精神障碍诊断和预后生物标志物。
通过使用多种特征和分类器的机器学习方法，对2428名受测者进行测试，发现MFMC的MDD区分准确率达到96.9％，明显改善了现有方法。验证了MFMC的泛化能力，即使在训练和测试受测者来自独立的场地时，其表现仍然良好。这些结果将有助于将13个特征值作为临床有用的精神障碍诊断和预后生物标志物。
