基于MRI的BrainAGE联邦学习：一项关于卒中后功能结局预测的多中心研究
机器学习
2025-06-23 v2 人工智能
分布式、并行与集群计算
摘要
目标：脑预测年龄差（BrainAGE）是一种反映大脑健康的神经影像学生物标志物。然而，训练稳健的BrainAGE模型需要大型数据集，这通常受到隐私问题的限制。本研究评估了联邦学习（FL）在接受机械取栓治疗的缺血性卒中患者中进行BrainAGE估计的性能，并探讨了其与临床表型和功能结局的关联。方法：我们使用了来自16个医院中心的1674名卒中患者的FLAIR脑图像。我们在三种数据管理策略下实施了标准的机器学习和深度学习模型进行BrainAGE估计：集中式学习（合并数据）、FL（每个站点本地训练）和单站点学习。我们报告了预测误差，并检查了BrainAGE与血管风险因素（如糖尿病、高血压、吸烟）以及卒中后三个月功能结局之间的关联。逻辑回归评估了BrainAGE对这些结局的预测价值，并调整了年龄、性别、血管风险因素、卒中严重程度、MRI与动脉穿刺之间的时间、既往静脉溶栓和再通结局。结果：虽然集中式学习产生了最准确的预测，但FL始终优于单站点模型。在所有模型中，糖尿病患者的BrainAGE显著更高。良好与不良功能结局患者之间的比较，以及对这些结局的多变量预测，显示了BrainAGE与卒中后恢复之间关联的显著性。结论：FL无需数据集中即可实现准确的年龄预测。BrainAGE、血管风险因素和卒中后恢复之间的强关联突显了其在卒中护理中进行预后建模的潜力。
引用
@article{arxiv.2506.15626,
title = {Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction},
author = {Vincent Roca and Marc Tommasi and Paul Andrey and Aurélien Bellet and Markus D. Schirmer and Hilde Henon and Laurent Puy and Julien Ramon and Grégory Kuchcinski and Martin Bretzner and Renaud Lopes},
journal= {arXiv preprint arXiv:2506.15626},
year = {2025}
}