通过多式堆叠来提高认知能力的大脑范围关联的可预测性,可靠性和通用性

科学领域:

• 神经成像是一种神经成像.
• 认知神经科学 认知神经科学
• 机器学习 机器学习

背景情况:

• 全脑关联研究 (BWASs) 旨在将认知能力与大脑表型联系起来.
• 现有的BWAS方法在不同人群的可预测性,可靠性和通用性方面面临挑战.
• 多式脑成像数据为理解认知能力提供了丰富的来源.

研究的目的:

• 开发和验证一种机器学习堆叠方法,以改善认知能力的BWAS.
• 解决BWAS中可预测性,测试-重新测试可靠性和跨队列概括性的局限性.
• 将各种全脑磁共振成像 (MRI) 数据集成到一个统一的预测模型中.

主要方法:

• 采用了一种机器学习堆叠技术,集成多模式MRI数据 (任务-fMRI,功能连接,结构措施).
• 利用了来自人类连接组项目 (年轻人与老龄化) 和尼丁多学科健康与发展研究的数据集.
• 对堆叠方法进行了基准测试,以获得可预测性,测试-重新测试可靠性和跨队列通用性.

主要成果:

• 堆叠模型实现了认知能力的样本外预测准确度 (r~0.5-0.6),主要由任务-fMRI对比驱动.
• 从成年人MRI数据 (年龄45岁) 成功预测了儿童的认知能力 (7,9,11岁),r=0.52.
• 证明了优异的测试重复测试可靠性 (ICC>0.75) 和对堆叠模型的跨数据集显著的概括性.

结论:

• 机器学习堆叠方法有效地解决了BWAS对认知能力的关键挑战.
• 这种多模式整合方法提高了将大脑表型与认知联系起来的可预测性,可靠性和通用性.
• 堆叠代表了推进基于神经成像的认知研究的一个有希望的策略.