英国生物库的MRI数据可以推动大脑时钟的发展:对标准ML/DL方法的研究和对外部数据库的性能分析

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:

• 使用神经成像来预测大脑年龄是一个不断发展的领域.
• 机器学习和深度学习模型为准确的大脑年龄估计提供了潜力.
• 现有的方法需要对各种数据集和人群进行严格的评估.

研究的目的:

• 开发和比较广泛的机器学习和深度学习大脑年龄预测模型.
• 为了评估这些模型在不同数据集,MRI扫描仪和种族群体中的稳定性.
• 评估大脑年龄预测作为神经退行性疾病生物标志物的潜力.

主要方法:

• 使用来自英国生物库,ADNI和NACC数据集的T1加权MRI扫描.
• 使用FastSurfer处理的MRI图像用于深度学习,并提取了用于机器学习的图像衍生的表型.
• 开发了一个统计框架来评估年龄预测的准确性,稳定性和生物标志物潜力.

主要成果:

• 在外部验证中实现了高精度的大脑年龄模型,平均绝对误差在1年以下.
• 在各种年龄组,种族和MRI扫描仪类型中展示了一致的预测性能.
• 作为神经退行性疾病的生物标志物的强大潜力,在痴呆症检测中高达0.90 AUROC.

结论:

• 受到惩罚的线性机器学习模型,与张的方法调整,产生优越的大脑年龄预测.
• 大脑年龄模型是强大的,并且可以在多样化的队列中进行概括.
• 预测大脑年龄是早期发现和理解神经退行性疾病的一个有希望的工具.