基于共方差神经网络的神经退化疾病脑龄差预测可解释性研究
机器学习
2025-01-06 v1 信号处理
定量方法
摘要
脑龄是指从神经影像数据集中使用机器学习算法推导出的生物学年龄估计值。表征脑龄与年龄差（即脑龄高于年龄）的增高现象可反映出对神经退行性疾病和认知衰退的增加易感性。因此，脑龄差是监测脑部健康的有前景的生物标志物。然而，针对脑龄差预测的黑箱机器学习方法在实际应用中受限。最近的共方差神经网络（VNN）研究提出了一种相对透明的神经影像数据分析深度学习管道，具有两个关键特征：（i）所导出生物标志物内在具备解剖可解释性；（ii）基于与解剖协方差矩阵特征向量的关联性，提供方法论可解释性视角。本文将 VNN 方法应用于多种常见神经退行性疾病的脑龄差研究中。我们的结果揭示了阿尔茨海默病、前额时达性痴呆和异常帕金森性疾病中脑龄差的不同解剖模式。此外，我们证明了脑龄差的不同解剖模式与 VNN 如何利用解剖协方差矩阵特征谱的差异密切相关，从而为所报告结果提供了可解释性。
引用
@article{arxiv.2501.01510,
title = {Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks},
author = {Saurabh Sihag and Gonzalo Mateos and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2501.01510},
year = {2025}
}
备注
Accepted at ISBI, 2025