在不同程度的参与者运动下检查大脑年龄算法的可靠性

科学领域:

• 神经科学是一个神经科学.
• 放射学 放射学是一门学科.
• 数据科学数据科学数据科学

背景情况:

• 大脑年龄算法,利用机器学习,显示潜在的神经退行性疾病和衰老的生物标志物.
• 在MRI扫描期间的头部运动会降低图像质量,并影响大脑年龄的估计.

研究的目的:

• 研究头部运动对五种流行的大脑年龄预测算法的准确性和可靠性的影响.
• 为潜在的临床用途确定强大的算法来移动工件.

主要方法:

• 使用MRI扫描从参与者的低,高,和没有运动.
• 测试了五种算法:brainageR,DeepBrainNet,XGBoost,ENIGMA和pyment. 这五种算法都在进行测试.
• 使用类内相关性 (ICC) 和布兰德-阿尔特曼分析评估可靠性;用线性混合模型量化运动效应.

主要成果:

• 运动显著影响了一些算法的大脑年龄估计,ICC降至0.609,在高运动扫描中,错误高达11.5年.
• 深脑网和pyment表现出最高的稳定性和可靠性 (ICCs为0.956-0.965).
• XGBoost和brainageR显示出最大的误差 (高达13.5RMSE) 和偏差,当运动存在时.

结论:

• 运动工件在很大程度上影响了大脑年龄的估计,强调了需要运动校正或强大的算法.
• 对于在MRI采集过程中容易运动的人群,建议使用DeepBrainNet和pyment.
• 进一步验证大脑年龄算法对于其可靠的应用作为临床生物标志物至关重要.