多模组合堆叠模型改善了大脑年龄的预测,并揭示了与精神分裂症症状的关联

科学领域:

• 神经成像和机器学习
• 精神病学神经成像 精神病学神经成像
• 生物标志物发现发现

背景情况:

• 使用神经成像来预测大脑年龄是评估大脑健康和检测神经/精神疾病的有希望的工具.
• 大脑预测年龄差异 (brainPAD) 是高级大脑衰老的潜在生物标志物,但单模成像限制了准确性.
• 这项研究研究了多式神经成像 (sMRI和FA) 以提高大脑年龄的预测.

研究的目的:

• 通过整合结构性MRI (sMRI) 和扩散MRI衍生的分数异位性 (FA) 来提高大脑年龄预测的准确性和概括性.
• 评估多模式大脑年龄预测在健康个体和精神分裂症患者的有效性.
• 评估脑PAD作为精神分裂症进展和治疗的潜在生物标志物.

主要方法:

• 使用机器学习分析了2,558名健康个体的大型多站点数据集.
• 开发并验证了一种结合sMRI和FA特征的堆叠模型.
• 该模型在健康对照和精神分裂症患者的独立数据集上进行了测试,以评估交叉数据集概括和临床相关性.

主要成果:

• 多模式堆叠模型显著优于单模式模型,在内部验证中实现了高精度 (MAE 2.675年,r=0.970).
• 外部验证显示,健康对照组 (MAE 4.556年,r=0.877) 和精神分裂症患者 (MAE 6.189年,r=0.873) 的表现良好.
• 精神分裂症患者的BrainPAD得分显著更高,表明大脑老化已晚,BrainPAD与症状严重程度相关.

结论:

• 整合sMRI和FA功能提高了大脑年龄预测的准确性和概括性,突出了多式神经成像的价值.
• 精神分裂症患者脑PAD升高表明大脑老化已晚,并且它有可能成为疾病进展的生物标志物.
• 这种多模式的方法有望促进精神病学神经成像研究和精神分裂症的临床应用.