OpenMAP-BrainAge：泛化且可解释的脑年龄预测器
计算机视觉与模式识别
2025-06-24 v1
摘要
目的：开发一个对脑部 MRI 扫描中的人口统计学和技术差异具有鲁棒性且可解释的年龄预测模型。材料与方法：我们提出了一种基于 Transformer 的架构，利用大规模数据集上的自监督预训练。我们的模型处理来自三个解剖视图的伪 3D T1 加权 MRI 扫描，并结合了脑容量信息。通过引入 stem 架构，我们将 Transformer 模型传统的二次复杂度降低为线性复杂度，从而实现了对高维 MRI 数据的可扩展性。我们在来自北美的 ADNI2 3 (N=1348) 和 OASIS3 (N=716) 数据集（年龄范围：42 - 95）上训练了我们的模型，按 8:1:1 的比例划分训练集、验证集和测试集。然后，我们在来自澳大利亚的 AIBL 数据集（N=768，年龄范围：60 - 92）上对其进行了验证。结果：我们在 ADNI2 3 和 OASIS3 测试集上实现了 3.65 年的 MAE，在 AIBL 上实现了 3.54 年 MAE 的高泛化能力。在不同认知组别中，脑年龄差距（BAG）显著增加，其中 CN 的平均值为 0.15 年（95% CI：[-0.22, 0.51]），MCI 为 2.55 年（[2.40, 2.70]），AD 为 6.12 年（[5.82, 6.43]）。此外，观察到 BAG 与认知评分之间存在显著的负相关，MoCA 的相关系数为 -0.185（p < 0.001），MMSE 为 -0.231（p < 0.001）。基于梯度的特征归因突出了脑室和白质结构作为受脑衰老影响的关键区域。结论：我们的模型有效地融合了来自不同视图和容量的信息，实现了 SOTA 的脑年龄预测准确性，提高了泛化能力和可解释性，并与神经退行性疾病相关联。
引用
@article{arxiv.2506.17597,
title = {OpenMAP-BrainAge: Generalizable and Interpretable Brain Age Predictor},
author = {Pengyu Kan and Craig Jones and Kenichi Oishi},
journal= {arXiv preprint arXiv:2506.17597},
year = {2025}
}