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
Alina Tetereva1, Annchen R Knodt2, Tracy R Melzer3,4,5
1Department of Psychology, University of Otago, Dunedin 9016, New Zealand.
PNAS nexus
|June 27, 2025
概括
这项研究引入了一种机器学习堆叠方法,以改善大脑范围的关联研究 (BWASs) 以预测使用多式核磁共振 (MRI) 的认知能力. 该方法提高了大脑-表型关系中的可预测性,可靠性和通用性.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 全大脑关联研究 (BWASs) 在从大脑表型中预测认知能力方面面临挑战.
- 问题包括可预测性,测试-重新测试可靠性和跨队列概括性.
研究的目的:
- 开发和验证一种机器学习堆叠方法,以克服BWAS挑战.
- 整合多式脑MRI数据,以提高对认知能力的预测.
主要方法:
- 采用机器学习堆叠方法,整合来自多种模式 (任务fMRI,功能连接,结构措施) 的全脑MRI数据.
- 该方法使用人类连接组项目 (年轻人和老龄化) 和尼丁多学科健康和发展研究进行了基准测试.
主要成果:
- 堆叠模型以r ~ 0.5-0.6.6实现了对认知能力的样本外预测.
- 45岁时的多模态MRI预测了儿童的认知能力 (7,9,11岁),r=0.52.
- 堆叠模型显示出优异的测试重复测试可靠性 (ICC>0.75) 和跨数据集的概括性.
结论:
- 堆叠是一种可行的方法,可以解决BWAS对认知能力的关键挑战.
- 这种方法提供了更好的预测,可靠性和通用性,可以将大脑结构和功能与认知联系起来.
