扩散深度学习用于大脑年龄预测和儿童长度跟踪,直到成年

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 发育神经科学的发展神经科学.

背景情况:

• 深度学习 (DL) 模型从脑MRI (脑年龄) 预测生物年龄,作为大脑健康的生物标志物.
• 现有的DL工具受限于单一机构的横截面数据,阻碍了临床翻译.
• 推进大脑年龄预测需要多站点的纵向数据,以实现更广泛的概括.

研究的目的:

• 开发和验证一种新的DL框架,用于预测人类发育中的大脑年龄,使用多站点的纵向MRI数据.
• 为改善临床应用中大脑年龄预测的准确性和通用性.
• 为更广泛的研究社区提供可独立实现的代码.

主要方法:

• 在16个多站点数据集中,利用了32851个T1加权的MRI扫描,来自3至30岁的健康个体.
• 开发和评估了几个DL框架,包括一个新的回归扩散DL网络 (AgeDiffuse).
• 在5个和3个独立数据集上进行多站点外部验证,评估预测准确性 (MAE) 和与大脑结构变化相关性.

主要成果:

• AgeDiffuse在第一次外部验证中实现了2.78年的平均绝对误差 (MAE),在第二次验证中达到1.97年的平均误差.
• 年龄分散的大脑年龄预测更好地反映了与年龄相关的大脑结构体积变化 (R2=0.48),而不是时间年龄 (R2=0.37).
• 纵向大脑年龄预测密切跟踪个人层面的年代年龄.

结论:

• AgeDiffuse DL网络在预测不同人群和地点的大脑年龄方面表现出卓越的表现.
• 这种经过验证的,公开可用的工具是对年轻人大脑健康和发育的强大,非侵入性生物标志物.
• AgeDiffuse促进了临床翻译和进一步研究神经发育轨迹和大脑健康.