一种用于脑龄建模的具有不确定性感知、可共享且透明的神经网络架构
机器学习
2021-07-19 v1 种群与进化
摘要
从神经影像数据预测的年龄与实际年龄之间的偏差已被确定为跨疾病脑变化的敏感风险标志物，并逐渐成为生物年龄研究的基石。然而，该领域底层的机器学习模型未考虑不确定性，从而将结果与训练数据密度和变异性相混淆。此外，现有模型通常基于同质训练集，往往未经独立验证，并且由于数据保护问题而无法共享。在此，我们引入了在德国国家队列N=10,691个数据集上训练的一种具有不确定性感知、可共享且透明的蒙特卡洛丢弃复合分位数回归（MCCQR）神经网络。MCCQR模型在高维神经影像数据中提供稳健的、无分布的的不确定性量化，在十个招募中心及三个独立验证样本（N=4,004）中均比现有模型实现了更低的误差率。通过两个示例，我们证明它可防止虚假关联并增强检测加速脑老化的统计效力。我们公开了预训练模型。
引用
@article{arxiv.2107.07977,
title = {An Uncertainty-Aware, Shareable and Transparent Neural Network Architecture for Brain-Age Modeling},
author = {Tim Hahn and Jan Ernsting and Nils R. Winter and Vincent Holstein and Ramona Leenings and Marie Beisemann and Lukas Fisch and Kelvin Sarink and Daniel Emden and Nils Opel and Ronny Redlich and Jonathan Repple and Dominik Grotegerd and Susanne Meinert and Jochen G. Hirsch and Thoralf Niendorf and Beate Endemann and Fabian Bamberg and Thomas Kröncke and Robin Bülow and Henry Völzke and Oyunbileg von Stackelberg and Ramona Felizitas Sowade and Lale Umutlu and Börge Schmidt and Svenja Caspers and German National Cohort Study Center Consortium and Harald Kugel and Tilo Kircher and Benjamin Risse and Christian Gaser and James H. Cole and Udo Dannlowski and Klaus Berger},
journal= {arXiv preprint arXiv:2107.07977},
year = {2021}
}