通过多式联络神经成像数据用全球局部注意网络预测大脑年龄:准确性,概括性和行为关联性

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 生物标志物

背景情况:

• 大脑年龄预测通常使用单模T1加权核磁共振.
• 整合多种MRI模式可能会提高大脑年龄预测的准确性.

研究的目的:

• 研究整合结构MRI (sMRI) 和扩散MRI (dMRI) 进行大脑年龄预测的好处.
• 开发和评估基于注意力的深度学习模型,用于多模式大脑年龄预测.

主要方法:

• 提出了基于注意力的深度学习模型,将sMRI的全球背景与dMRI指标的本地细节融合在一起.
• 在大型数据集 (HCP,Cam-CAN) 上评估模型,并测试了概括性,稳定性,可重现性和纵向一致性.
• 研究了预测的大脑年龄和行为指标之间的关系.

主要成果:

• 多模式模型显著提高了预测准确性 (例如,在HCP中MAE为2.44年,在Cam-CAN中为4.36年).
• 与单一模式模型相比,多模式方法显示出更高的概括性 (10-76%的MAE减少) 和稳定性 (22-82%的增强).
• 揭示了预测的大脑年龄和行为指标 (例如,行走耐力,孤独) 之间的独特关联,不仅仅与时间学年龄有关.

结论:

• 通过基于注意力的模型集成sMRI和dMRI可以提高大脑年龄的预测.
• 多式联络方法提供了对大脑衰老及其行为相关的更深入的见解.
• 这种方法有望推动使用大脑年龄作为神经健康的生物标志物.