使用神经成像数据预测大脑年龄的统计方法的比较.

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物标志物发现发现

背景情况:

• 全球人口老龄化需要可靠的大脑老龄化生物标志物.
• 使用神经成像数据的机器学习来估计大脑年龄是评估大脑健康和告知干预措施的有希望的方法.

研究的目的:

• 评估和比较各种基于内核和集成机器学习模型的性能,以预测大脑年龄.
• 评估这些模型在独立数据集上的通用性,并调查数据协调的影响.

主要方法:

• 训练了25个基于内核 (SVM,RVM,GPR) 和基于组合 (随机森林,XGBoost) 的模型,使用Cam-CAN数据集中的T1加权MRI解剖特征.
• 在内部数据集和外部HCP-Aging数据集上使用平均绝对误差 (MAE) 和预测R2评估模型性能.
• 应用了ComBat管道对HCP-Aging数据集的数据协调,以评估其对模型性能的影响.

主要成果:

• 非线性模型,特别是带有RBF内核的SVM,在内部数据集上表现优于线性模型 (MAE:5.89年,预测R2:0.84).
• 极端梯度增强 (XGB) 在非协调的外部数据 (MAE:7.45年,预测R2:0.64) 上显示出稳定性.
• 在数据协调后,使用RBF内核的SVM在外部数据集上获得了最高的准确性 (MAE:7.05年,预测R2:0.63),这凸显了基于内核的模型的协调的重要性.

结论:

• 将非线性机器学习模型与数据协调技术相结合,可显著提高大脑年龄预测的准确性和通用性.
• 这些改进的大脑年龄预测工具在各种数据集中提供了更可靠的神经健康评估,这对于解决与年龄相关的神经疾病至关重要.