通过转移学习优化大脑年龄估计:一套预训练的基础模型,用于改善临床环境中的性能和通用性

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 生物标志物开发 生物标志物开发

背景情况:

• 通过MRI估计大脑年龄是一个有前途的神经健康生物标志物.
• 挑战包括有限的大型,多样化的数据集和临床模型的数据异质性.
• 需要准确和可通用的模型才能在临床上得到广泛采用.

研究的目的:

• 利用常规临床MRI数据开发和验证用于大脑年龄预测的深度学习模型.
• 创建可适应各种MRI序列和临床场景的多功能基础模型.
• 以有限的数据来证明转移学习对模型改进的有效性.

主要方法:

• 在一大数据集 (N=18,890,年龄18-96) 上训练了五个深度学习模型,这些数据是常规的临床MRI扫描.
• 使用了五种不同的MRI序列:T2加权,T2-FLAIR,T1加权,扩散加权和GRE T2*加权.
• 员工将学习转移到微调不同MRI序列和方向的基础模型.

主要成果:

• 在所有五种模型中实现了准确的大脑年龄预测,平均绝对误差≤4.0年,R2≥0.86.
• 通过转移学习,证明了基础模型成功适应多种MRI序列和扫描方向.
• 即使使用小微调数据集 (N=25),也证实了模型的可行性,这表明其广泛适用性.

结论:

• 开发了强大的,可适应的深度学习模型,用于从临床MRI中估计大脑年龄.
• 该框架支持直接临床应用和微调各种序列,提高效用.
• 公开发布这些模型将促进临床神经科学中的更广泛的研究和应用.