基于大脑区域体积建模的大脑年龄预测在广网视野下

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 生物统计学 生物统计学

背景情况:

• 结构磁共振成像 (sMRI) 显示的大脑区域体积是大脑衰老的关键指标.
• 现有的大脑年龄预测方法往往无法捕捉复杂的线性和非线性关系,限制了准确性.
• 准确的大脑年龄估计对于临床大脑健康评估和神经退行性疾病的早期检测至关重要.

研究的目的:

• 开发一种先进的大脑年龄预测方法,RFBLSO,该方法集成了随机森林 (RF),广义学习系统 (BLS) 和Leave-One-Out交叉验证 (LOO).
• 通过探索大脑区域体积与时间年龄之间的线性和非线性关系,提高大脑年龄估计的准确性.
• 验证RFBLSO在区分健康衰老和神经退行性疾病,如轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 之间的有效性.

主要方法:

• 利用随机森林 (RF) 识别和消除多余的大脑区域与大脑年龄的低相关性.
• 开发了一个整合特征节点,增强节点和最佳规范化参数的目标函数.
• 采用伪反向方法来解决输出系数,使线性和非线性关系的同时建模.

主要成果:

• RFBLSO在健康组中实现了4.60年的平均绝对误差 (MAE),在中国2020数据集中达到4.98年的平均绝对误差.
• 在临床组中,RFBLSO有效地区分了健康对照 (HC),MCI和AD,MAE分别为4.46,8.77和13.67年.
• 在区分临床组中证明了显著的效果大小 (η2=0.23,科恩d从0.74到1.50不等),表现优于现有方法.

结论:

• 拟议的RFBLSO方法通过有效捕捉线性和非线性关系,准确估计个人的大脑年龄.
• RFBLSO为预测神经退行性疾病风险提供了一种强大而可行的方法.
• 这种方法为临床大脑健康评估提供了更高的准确性和辨别能力.