使用结构MRI,形态相似性和机器学习预测童年后期到青春期 (6-17岁) 的"大脑"

科学领域:

• 神经成像是一种神经成像.
• 发育神经科学的发展神经科学.
• 计算神经科学是一种神经科学.

背景情况:

• 结构性MRI对于研究大脑发育至关重要.
• 从脑部扫描 (Brainage) 预测时间表年龄可以了解个体差异.
• 很少有研究对脑衰老的高阶或基于网络的MRI表示进行了探索.

研究的目的:

• 研究形态相似性作为预测大脑年龄的网络层次方法.
• 为了比较形态相似性的预测性能与传统的单一特征方法 (例如皮层厚度) 相比.
• 评估形态相似性的实用性,以捕捉大脑发育中的个体差异.

主要方法:

• 利用形态相似性,对结构性MRI数据的网络层次表示.
• 开发了基于形态相似性的年龄预测模型.
• 通过使用皮层厚度和体积的既定方法对这些新的Brainage模型进行了基准测试.

主要成果:

• 基于形态相似性的Brainage模型在年龄预测中没有超过皮质厚度或体积模型.
• 所有测试的模型都显示出与年龄相关的显著偏差,但对于移动文物来说都很强大.
• 网络层面的形态相似性并没有在Brainage框架内提高年龄预测的准确性.

结论:

• 虽然形态相似性可以捕捉到额外的MRI信息,但它并不能提高 Brainage 环境中的年龄预测准确性.
• 这种网络层面的方法可能不太适合研究健康儿童个体大脑发育差异.
• 可能需要进一步的研究来完善发展神经科学应用的基于网络的方法.