神经科学研究的一种基本方法是基于神经心理学和行为措施,即某些因素(例如,与生活事件相关)是否与结果(例如抑郁症)有关。近年来,深度学习已成为通过预测一系列因素的结果并确定推动预测的最“信息性”的结果,成为进行此类分析的潜在替代方法。但是,这种方法的影响有限,因为其发现与支持假设的因素的统计意义无关。在本文中,我们根据排列测试的概念提出了一种灵活且可扩展的方法,该方法将假设检验集成到数据驱动的深度学习分析中。我们将我们的方法应用于对青春期酒精和神经发育联盟(NCANDA)的621名青少年参与者的年度自我报告评估,以预测负面价,这是根据NIMH研究领域标准(RDOC)的重大抑郁症的症状。我们的方法成功地识别了进一步解释症状的危险因素类别。
translated by 谷歌翻译