使用可迁移协方差神经网络预测脑龄
机器学习
2022-11-01 v1 定量方法
摘要
chronological age 与 biological age 之间的偏差是公认与认知衰退及神经退行性疾病相关的生物标志物。与年龄相关及由病理驱动的大脑结构变化可由多种神经成像模态捕捉。这类数据集具有高维及共线性的特征，因此图神经网络在神经成像研究中的应用通常将样本协方差矩阵用作图。我们近期研究了协方差神经网络（VNN），其利用源自图卷积网络的架构在样本协方差矩阵上运算，并表明 VNN 相较传统数据分析方法具有显著优势。本文中，我们展示了 VNN 在利用皮层厚度数据推断脑龄中的效用。此外，我们的结果表明 VNN 在推断脑龄方面表现出多尺度与多站点的可迁移性。在阿尔茨海默病（AD）脑龄背景下，我们的实验显示：i) VNN 输出具有可解释性，因为对不同数据集，AD 患者由 VNN 预测的脑龄相较健康受试者显著升高；ii) VNN 可迁移，即在一个数据集上训练的 VNN 可迁移至另一维度不同的数据集，无需重新训练即可用于脑龄预测。
引用
@article{arxiv.2210.16363,
title = {Predicting Brain Age using Transferable coVariance Neural Networks},
author = {Saurabh Sihag and Gonzalo Mateos and Corey McMillan and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2210.16363},
year = {2022}
}