大脑年龄预测模型的偏见和概括性:一个多队列评估,采用解剖学和可解释性见解

科学领域:

• 神经成像是一种神经成像.
• 生物标志物 生物标志物
• 人工智能在医学中的应用

背景情况:

• 使用T1加权MRI和大脑年龄差距 (BAG) 预测大脑年龄是评估衰老偏差的关键神经成像生物标志物.
• 当前模型的稳定性,偏见和跨不同数据集的可解释性限制了临床翻译.

研究的目的:

• 在独立的MRI数据集上评估四种突出的大脑年龄模型 (ENIGMA,DeepBrainNet,Pyment,BrainAgeNeXt).
• 评估模型性能,偏见 (年龄,数据集,种族,教育) 和可解释性.
• 探索大脑年龄差距 (BAG) 在区分认知正常个体和轻度认知障碍 (MCI),阿尔茨海默氏症 (AD) 或长期COVID (LC) 患者之间的实用性.

主要方法:

• 对来自ADNI,UNSAM长期COVID和OpenNeuro队列的1,634名受试者的四个大脑年龄模型的交叉数据集验证.
• 使用平均绝对误差 (MAE),平均误差 (ME) 和BAG可变性的性能评估.
• 通过Layer-wise Relevance Propagation和使用BrainChart百分点得分进行解读性分析和解剖探索.

主要成果:

• 与2D CNN (DeepBrainNet) 和回归 (ENIGMA) 模型相比,3D CNN模型 (Pyment,BrainAgeNeXt) 显示出更高的准确性 (MAE:3.9-3.7年) 和稳定性 (ASTD:3.2-2.9年).
• 数据集和年龄分布显著影响了BAG,而种族的影响很小.
• 在MCI和AD患者和认知正常的对照人群中观察到升高的BAG,但在长期COVID参与者中没有.
• 侧心室一直被突出显示为相关区域,在老年人中注意到小脑参与BrainAgeNeXt.

结论:

• 基于3D CNN的脑年龄模型显示了神经成像生物标志物开发的增强精度和稳定性.
• 当前的大脑年龄差距模型虽然对群体层面的分析充满希望,但对于可靠的个人临床应用,需要解决年龄和人口偏差.
• 大脑年龄差距 (BAG) 有效地将MCI和AD等神经退行性疾病与正常衰老区分开来,但在长期COVID队列中没有显著差异.