NeuroAgeFusionNet是一个集体深度学习框架,集成CNN,变压器和GNN,以使用MRI扫描进行强大的大脑年龄估计
Malla Sowmya1, Sushama Rani Dutta2
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Hyderabad, 500075, Telangana, India. somu42@gmail.com.
Scientific reports
|November 25, 2025
概括
NeuroAgeFusionNet使用混合深度学习模型准确预测大脑年龄. 这种新的方法增强了神经成像分析,用于早期发现疾病和认知健康评估.
科学领域:
- 神经成像和计算神经科学.
- 医疗诊断中的人工智能.
背景情况:
- 通过MRI预测大脑年龄对于神经退行性疾病诊断和认知健康评估至关重要.
- 传统的机器学习和现有的深度学习模型难以捕获复杂的MRI数据,限制了准确性和可靠性.
- 当前的方法往往无法有效地整合空间,上下文和结构性大脑信息.
研究的目的:
- 介绍NeuroAgeFusionNet,一个新的混合深度学习框架,用于改进大脑年龄估计.
- 通过优化空间,上下文和结构信息来增强MRI数据的全面特征表示.
- 通过集成的不确定性量化模块,提高大脑年龄预测的稳定性和可靠性.
主要方法:
- 开发了一个混合深度学习框架,结合了卷积神经网络 (CNN),变压器和图形神经网络 (GNN).
- 实现了特征融合机制,以优化空间,上下文和结构特征,以实现整体数据表示.
- 集成了一个不确定性量化模块,以确保预测可靠性和减轻不可靠的估计.
主要成果:
- 在英国生物库数据集上实现了最先进的性能,平均绝对误差 (MAE) 为2.30.
- 证明了高准确性,Pearson相关性为0.97,R2得分为0.96.
- 在大脑年龄预测方面显著优于传统的机器学习和现有的深度学习方法.
结论:
- NeuroAgeFusionNet在大脑年龄估计方面取得了重大进展,提供了高精度和可靠性.
- 该框架能够整合多样化的数据特征并量化不确定性,这使其成为临床神经科学的一个有价值的工具.
- 这种方法有望改善大脑衰老监测和早期发现神经退行性疾病.
