Recently, several deep learning methods have been applied to decoding in task fMRI, and their advantages have been exploited in a variety of ways. However, this paradigm is sometimes problematic, due to the difficulty of applying deep learning to high-dimensional data and small sample size conditions. The difficulties in gathering a large amount of data to develop predictive machine learning models with multiple layers from fMRI experiments with complicated designs and tasks are well-recognized. Group-level, multi-voxel pattern analysis with small sample sizes results in low statistical power and large accuracy evaluation errors; failure in such instances is ascribed to the individual variability that risks information leakage, a particular issue when dealing with a limited number of subjects. In this study, using a small-size fMRI dataset evaluating bilingual language switch in a property generation task, we evaluated the relative fit of different deep learning models, incorporating moderate split methods to control the amount of information leakage. Our results indicated that using the session shuffle split as the data folding method, along with the multichannel 2D convolutional neural network (M2DCNN) classifier, recorded the best authentic classification accuracy, which outperformed the efficiency of 3D convolutional neural network (3DCNN). In this manuscript, we discuss the tolerability of within-subject or within-session information leakage, of which the impact is generally considered small but complex and essentially unknown; this requires clarification in future studies.

中文翻译：

---

在小样本数据集上使用深度学习评估任务功能磁共振成像解码

近来，几种深度学习方法已经应用于任务功能磁共振成像中的解码，并且它们的优点已经以多种方式得到利用。但是，由于难以将深度学习应用于高维数据和小样本大小条件，因此该范例有时会出现问题。众所周知，从功能复杂的fMRI实验中收集大量数据来开发具有多层的预测性机器学习模型的困难，具有复杂的设计和任务。小样本量的组级多体素模式分析导致较低的统计功效和较大的准确性评估误差；在这种情况下，失败归因于个体变异性，存在信息泄漏的风险，这是在处理数量有限的主题时的一个特殊问题。在这项研究中，在属性生成任务中使用小型fMRI数据集评估双语语言切换，我们评估了不同深度学习模型的相对适合度，并采用了中度拆分方法来控制信息泄漏量。我们的结果表明，使用会话洗牌拆分作为数据折叠方法，再加上多通道2D卷积神经网络（M2DCNN）分类器，记录了最佳的真实分类精度，其性能优于3D卷积神经网络（3DCNN）。在本手稿中，我们讨论了主题内或会话内信息泄漏的可容忍性，通常认为其影响很小，但很复杂，而且本质上是未知的。这需要在以后的研究中加以澄清。我们评估了不同深度学习模型的相对适合度，并采用了适度拆分方法来控制信息泄漏量。我们的结果表明，使用会话洗牌拆分作为数据折叠方法，再加上多通道2D卷积神经网络（M2DCNN）分类器，记录了最佳的真实分类精度，其性能优于3D卷积神经网络（3DCNN）。在本手稿中，我们讨论了主题内或会话内信息泄漏的可容忍性，通常认为其影响很小，但很复杂，而且本质上是未知的。这需要在以后的研究中加以澄清。我们评估了不同深度学习模型的相对适合度，并采用了适度拆分方法来控制信息泄漏量。我们的结果表明，使用会话洗牌拆分作为数据折叠方法，再加上多通道2D卷积神经网络（M2DCNN）分类器，记录了最佳的真实分类精度，其性能优于3D卷积神经网络（3DCNN）。在本手稿中，我们讨论了主题内或会话内信息泄漏的可容忍性，通常认为其影响很小，但很复杂，而且本质上是未知的。这需要在以后的研究中加以澄清。我们的结果表明，使用会话洗牌拆分作为数据折叠方法，再加上多通道2D卷积神经网络（M2DCNN）分类器，记录了最佳的真实分类精度，其性能优于3D卷积神经网络（3DCNN）。在本手稿中，我们讨论了主题内或会话内信息泄漏的可容忍性，通常认为其影响很小，但很复杂，而且本质上是未知的。这需要在以后的研究中加以澄清。我们的结果表明，使用会话洗牌拆分作为数据折叠方法，再加上多通道2D卷积神经网络（M2DCNN）分类器，记录了最佳的真实分类精度，其性能优于3D卷积神经网络（3DCNN）。在本手稿中，我们讨论了主题内或会话内信息泄漏的可容忍性，通常认为其影响很小，但很复杂，而且本质上是未知的。这需要在以后的研究中加以澄清。我们讨论了主题内或会话内信息泄漏的可容忍性，通常认为其影响很小，但很复杂，而且本质上是未知的；这需要在以后的研究中加以澄清。我们讨论了主题内或会话内信息泄漏的可容忍性，通常认为其影响很小，但很复杂，而且本质上是未知的；这需要在以后的研究中加以澄清。