一种机器学习方法,用于使用神经元功能连接网络识别潜在的超级老人

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 生物医学工程 生物医学工程

背景情况:

• 老龄化经常与认知能力下降有关,影响大脑功能.
• 识别与衰老中的认知性相关的神经因素对于了解大脑健康至关重要.
• 区分具有卓越认知能力的个人 (积极老年人) 和那些经历衰退的人提供了对老化大脑机制的洞察.

研究的目的:

• 开发一种最佳的标签机制,以区分积极老年人和认知衰退者.
• 通过神经元功能连接网络和人口统计数据来识别正向老年人.
• 建立基于认知测试的认知类的数学定义.

主要方法:

• 利用主要成分分析来定义潜在的认知轨迹组.
• 开发了一种混合机器学习和优化算法,即用贝叶斯优化 (OLBO) 进行最佳标记.
• 使用无监督学习与逻辑回归和贝叶斯更新休息状态功能磁共振成像 (rsfMRI) 数据来自6369名英国生物库参与者.

主要成果:

• OLBO算法在区分正向老年人与认知衰退者的曲线下面面积 (AUC) 达到了88%.
• 与基线模型相比,OLBO在分类认知轨迹方面表现优越.
• 后置默认模式网络对积极衰老的几率产生了最显著的影响.

结论:

• 用贝叶斯优化 (OLBO) 算法进行最佳标记是一种用于区分认知轨迹的新且准确的方法.
• 这种方法可以使用神经成像和人口统计数据高精度地识别认知弹性个体.
• 这些发现突显了机器学习在理解和预测认知衰老模式方面的潜力.