基于功能连接线性潜变量模型的可解释脑龄预测
应用统计
2020-07-01 v1 神经元与认知
摘要
由神经影像驱动的脑龄预测（定义为仅使用脑影像数据预测受试者的生物学年龄）是一条令人振奋的研究途径。本工作中，我们力求在优先保证模型可解释性与可理解性的前提下，构建基于功能连接的脑龄模型。如此，这些模型既提供准确的脑龄估计，又使我们能够探究衰老过程中功能连接的变化。本工作提出的方法由两步流程组成：首先，采用线性潜变量模型（如 PCA 及其扩展）来学习跨受试队列中存在的可复现功能连接网络；随后将各网络内的活动作为线性回归模型中的特征以预测脑龄。所提框架应用于 CamCAN 库的数据，并进一步利用两个开放获取库——人类连接组计划（Human Connectome Project）与 ATR Wide-Age-Range 的数据证明推断的脑龄模型具有泛化能力。
引用
@article{arxiv.1908.01555,
title = {Interpretable brain age prediction using linear latent variable models of functional connectivity},
author = {Ricardo Pio Monti and Alex Gibberd and Sandipan Roy and Matt Nunes and Romy Lorenz and Robert Leech and Takeshi Ogawa and Motoaki Kawanabe and Aapo Hyvarinen},
journal= {arXiv preprint arXiv:1908.01555},
year = {2020}
}
备注
21 pages, 11 figures