多模式神经成像数据增强了多面认知的预测能力

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 心理学 心理学 心理学

背景情况:

• 预测模型将大脑模式与行为联系起来正在增长.
• 多模式神经成像数据集成旨在提高行为预测的准确性.
• 在这种情况下,多式联运集成的实用性仍在争论中,因为结果各不相同.

研究的目的:

• 系统地评估基于大脑的行为预测多式联通集成的必要性和益处.
• 确定不同年龄组和行为领域的数据整合的最佳水平.
• 为了确定特定的神经成像特征,这些特征对预测准确性有最大的贡献.

主要方法:

• 使用了3个大型数据集,涵盖了各种年龄段.
• 采用了来自各种神经成像模式 (例如功能,结构,扩散) 的25-33个特征类型.
• 评估了21个不同领域的行为指标,构建预测模型,增加多式联运一体化.

主要成果:

• 在集成有限数量的特征类型后,预测性能会变得和.
• 复杂的认知分数通常需要更高水平的多式联络整合.
• 功能性连接特征通常是足够的,特别是在年轻人中,但老龄化可能需要结构和扩散数据.

结论:

• 多式联运整合提供了好处,但回报率正在下降;专注于关键特征是有效的.
• 功能连接是广泛适用的,但有效的连接对于老龄化人口至关重要.
• 探索功能成像以外的替代方案,特别是对于衰老,对于推进行为预测至关重要.