基于原始影像数据深度学习预测脑年龄得到可靠且可遗传的生物标志物
机器学习
2016-12-09 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
对神经影像数据的机器学习分析可以准确预测健康人的实际年龄，而健康脑衰老的偏差与认知障碍和疾病相关。在此，我们试图进一步确立“脑预测年龄”作为脑衰老过程个体差异生物标志物的可信度，采用基于深度学习特别是卷积神经网络(CNN)的预测建模方法，并应用于预处理和原始T1加权MRI数据。首先，我们旨在使用大型健康成人数据集(N = 2001)证明CNN脑预测年龄的准确性。接下来，我们使用同卵和异卵女性双胞胎样本(N = 62)确定脑预测年龄的遗传力。第三，我们使用两个样本(扫描仪内N = 20；扫描仪间N = 11)检验脑预测年龄的测试-重测和多中心可靠性。在所有数据集上生成CNN脑预测年龄，并与高斯过程回归(GPR)方法比较。输入数据为统计参数映射(SPM)生成的灰质(GM)或白质(WM)体积图，或原始数据。脑预测年龄代表一种准确、高度可靠且遗传有效的表型，有潜力用作脑衰老的生物标志物。此外，可以在原始T1-MRI数据上准确生成年龄预测，大幅减少新数据的计算时间，使该过程更接近于在临床环境中提供脑健康的实时信息。
引用
@article{arxiv.1612.02572,
title = {Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker},
author = {James H Cole and Rudra PK Poudel and Dimosthenis Tsagkrasoulis and Matthan WA Caan and Claire Steves and Tim D Spector and Giovanni Montana},
journal= {arXiv preprint arXiv:1612.02572},
year = {2016}
}