干货 | 自闭症预测 You can you up

最近两个月在做一个预测自闭症的项目(https://github.com/ramp-kits/autism)，提供的数据有被试的年龄，性别，用freesurfer提取的结构像数据，不同模板提取的resting-state的数据。类似于kaggle，有Public的datasets,大概1000多被试供参与者建立自己的模型，另外差不多也是1000多人的private的数据用来进行测试和排名。相比于kaggle， ramp这个平台知名度比较小，所以参加的人并不多。奖金个人觉得还是比较丰厚的，相对于参与人数来说。第一名E3000，第二名E2000，第三名E1000，第四到第十都是E500。刚开始参加的时候，觉得懂数据的人不一定了解脑科学，懂脑科学的人不一定会搞机器学习和预测，如果即懂数据分析，又懂脑科学的人成绩应该不会太差，所以就欣然上路了。。。直到kaggle最近发布了一个把所有特征匿名的比赛，才发现这一个误解，真正的数据科学家是不需要太多背景知识也可以搞定数据的。

未来的趋势

相比修改自己无聊透顶的文章来说（Btw, 我做个研究是一个大样本fMRI扫雷式的研究，以后有机会再吐槽），这个预测的项目充满了挑战，它诠释了you can you up/是骡子是马拉出来溜溜的实用主义。心理学（认知神经科学）中，p-hacking，数据分析中mistake, 小样本的bias，还有统计方法（比如假设检验）都是造成结果无法被重复的原因。另外一个方面，即使在使用机器学习方法进行预测的研究中，有很大一部分研究使用了相对较少的样本，样本数据来自同一个scanner，或者使用了leave-one-out的交叉检验，此外这类研究根本无法防止研究者overfit自己的数据，这些都可能造成结果的可重复性差。这个自闭症预测比赛的可贵之处在于，有1000+未知的数据可以用来检验模型的表现。 这类比赛可能是防止研究者自己overfit自己数据的最有效方法，可能成为以后的趋势。【overfit是指根据数据A选最好的特征和模型及参数，然后放到同质的数据B上，模型表现极差，模型毫无意义】

分享几点感受：

1. 自己从未从导师的角度出发思考过这个问题，跟导师谈过这个竞赛，他说这样做比招博后省钱。确实如此一个博后一个月E2200+，做个两三年不一定产出个好的模型，而且搞不好自己在overfit自己的数据。【好吧，算是给别人做了两个月不拿工资的博后。。。导师以为我在专心修改论文】。

2. OOP才是python精华

碰到的第一个问题就是python的oop（面向对象编程），之前用python都是按照matlab的套路用的，spyder打开后python完全就是另外一个版本的matlab。 几乎所有的sklearn的内容全部都是按照oop的方式编写的，这样给调用提供了很大的便利。在过程中感受到的oop的强大之处。

3. 本专业的知识没用上多少

唯一用到的相关知识是，motion的correction，看综述，使用了自己觉得正确的方法，矫正了头动+1st derivative+RMS，用correlation作为FC。 小世界，低频振幅等rest常用的属性尝试过，但没时间去探索。对于功能连接只是用index表示，比如FC_01, FC_02，具体哪跟哪连接的也没有map到脑上看。如果有宽裕的时间的话，我应该会把具有区分度的fc画出来，结合所在脑区进行特征选择【这是心理学背景的人会想去做的事情，当然这样可能导致严重的overfitting】。

4. 基于自己的模型和数据来看，power 2011的模板比其他几个模板效果要好一点。Shen atlas 组织者没有提供，但是也是值得考察的一个模板。

最后的结果

public leaderboard 8

private leaderboard 大概30+

一个星期才缓过神。好吧，对特征的hardcoding是overfitting的元凶。值得一提的是public leaderboard上前10几乎都用了hardcoding，而且居然有人达到了0.99的AUC，之前还一直以为是大神用了不寻常model，心里非常膜拜。【Hardcoding就是使用各种手段，把认为最好的特征直接告诉你的算法。比如特征提取完了，你基于某些标准直接选第1，3，5，6，22..个特征作为模型的输入】最好的方法是将特征选择嵌入到算法中，所谓nested cross-validation。

在特征选择时，效应量是我使用的标准之一，虽然从机器学习的角度看，使用效应量可能让y label leaking，从增加了overfitting的风险，但按照心理学研究的逻辑，使用效应量选择两组间有差异的特征（FC），那么这些差异在另外同质的样本上应该也是显著差异的。比如从public的数据中，我发现了自闭症和正常被试的IFG和SMA的FC有显著差异（n=1000+), 那么对于private的数据，这种差异应该是依然存在的。但事实证明，这样做效果真的很差。这不得不让我重新审视这一逻辑，心理学研究可重复性到底有多少，效应/结论推广到更大的样本或者其他同质样本上是否还会存在？

无力吐槽的top10

真正让人无力吐槽的是前10的代码。自己对前10代码的期待是：

1. 有对数据特点的考量，有特别的去头动矫正的方法

2. 有高级的算法，比如深度学习，xgboost, 贝叶斯的应用

3. 有除了FC新的特征，比如ALFF 小世界属性

事实是，前10的代码没有太多高明之处，一度让我怀疑自己对待这个活动太过认真，简单的有可能是最有效的。有人直接使用了组织者提供的代码，将所有可用的altlas提取的FC,stack一下；几乎没有人回归头动，更不要说RMS和1st derivative了;几乎所有代码都是组织者提供的代码稍作修改提交的，因此大部分人都用了默认的covariance而不是correlation作为FC；几乎都是清一色logistic regression, 甚至elastic net都没看到。估计组织者在看到top 10的代码时会比较失望。如果把比赛放在kaggle上，可能会有更好的效果。自己没有比较过矫正头动和不矫正头动的差别，也没有比较covariance和correlation定义FC的差别，但是如果模型表现好应该有其理由。

最后的最后

个人觉得在比赛进行一半的时候，公布一次private leaderboard是比较好的，这样可以提醒一大部分人他们是在overfitting。另外一个细思极恐的事实是在用机器学习的方法进行研究，发论文时，无论使用了怎么样的cross-validation的方法和花哨的模型，自己overfit自己的数据根本无法避免。如果一篇文章声称用了某些指标（比如 vbm, cortical thickness, rest的fc, 等）成功预测了某个结果（比如自闭症，ADHD， 某个量表的得分，等），方法的可行性，读者需要有自己的判断 （ with big caution) 。此外，此类方法的一大挑战是可解释性，简单的例子就是神经网络，RNN/CNN 广泛运用在图像识别，自然语言处理上，只看重结果，不需要解释，但如果用在脑科学的研究上，节点几乎无法解释，使用这种方法的意义不大。

---

原创文章，转载请注明