大脑分片化对认知和人口统计模型预测性能的影响

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 大脑网络分析 脑网络分析

背景情况:

• 大脑连接分析对于理解大脑功能至关重要,并已应用于预测建模.
• 分块化方案解决方案对大脑连接模型预测性能的影响尚不清楚.

研究的目的:

• 调查不同的分片方案分辨率和模式如何影响结构,功能和联合大脑连接模型的预测性能.
• 确定分片化解决方案是否系统地影响人口统计和认知功能的预测模型的概括性.

主要方法:

• 结构性,功能性和综合性大脑连接性是使用五种不同的分片方案来定义的,分辨率和模式各不相同.
• 使用每个连接类型和分片方案构建预测模型,以预测年龄,教育,性别,执行功能,自我调节,语言,编码和序列处理中的个体差异.

主要成果:

• 低分辨率的功能分片始终产生了可概括的预测模型,用于人口统计和超出偶然水平的认知.
• 在所有测试的认知领域和人口统计变量中,没有一个单一的分片方案显示出优异的预测性能.
• 虽然分片方案影响了图形理论的测量,但这些差异与样本外预测模型的性能没有直接相关.

结论:

• 分区方案的分辨率显著影响大脑连接模型的性能,低分辨率的功能分区显示出强大的通用性.
• 高分辨率分片可能为特定的个人差异建模提供好处,但潜在的信号部分体积可能会阻碍概括性.
• 选择分片方案是基于大脑连接的预测建模的成功和通用性的关键因素.