基于大脑网络模式的认知性能差异的分类和预测,使用机器学习方法.
Camilla Krämer1,2, Johanna Stumme1,2, Lucas da Costa Campos1,2
1Institute of Neuroscience and Medicine (INM-1), Research Centre Jülich, Jülich, Germany.
Network neuroscience (Cambridge, Mass.)
|June 20, 2023
概括
休息状态功能连接 (RSFC) 参数显示,在健康的老年人中预测认知表现的能力有限. 机器学习模型很难使用这些大脑网络措施来分类或预测认知差异.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 在健康的老年人中,认知衰老差异很大,可能是由于大脑网络功能架构的差异.
- 休息状态功能连接 (RSFC) 参数是确定的大脑结构标志物,有助于诊断神经退行性疾病.
研究的目的:
- 通过机器学习 (ML) 调查RSFC参数在分类和预测正常衰老大脑的认知性能变化的实用性.
- 通过节点和网络级的RSFC测量来评估全球和特定领域认知表现的分类性和可预测性.
主要方法:
- 利用1000BRAINS研究中来自健康的老年人 (55-85岁) 的数据.
- 使用机器学习 (ML) 来分析节点和网络级的RSFC强度指标.
- 通过使用强大的交叉验证方案,系统评估了各种分析选择的ML性能.
主要成果:
- 全球和特定领域认知的分类准确率不超过60%.
- 预测性能很低,平均绝对误差很高 (MAE ≥0.75) 和最小的解释差异 (R2 ≤0.07).
- 这些结果在不同的认知目标,特征集和管道配置中一致.
结论:
- 功能网络参数作为认知衰老的唯一生物标志物具有有限的潜力.
- 在健康的衰老中,从功能网络模式中预测认知功能是具有挑战性的.
