基于MRI估计脑年龄的区域级堆叠集成
机器学习
2025-01-20 v1 人工智能
摘要
使用结构磁共振成像（MRI）数据的预测建模是研究脑衰老的热门方法。机器学习算法和特征提取方法已被用于提高预测精度并探索健康和加速衰老，例如神经退行性和精神疾病。高维MRI数据为构建通用且可解释的模型以及数据隐私带来了挑战。常见做法是对体素进行抽样或在预定义区域内平均，导致解剖特异性和生物可解释性降低，因为同一区域内的体素可能以不同方式与衰老相关。实际上，简单融合通过平均会导致信息丢失和精度下降。我们提出了一种概念性新颖的两层堆叠集成（SE）方法。第一层包括基于体素信息预测个体年龄的区域模型，通过第二层模型融合得到最终预测。探索了八种数据融合方案，其中以来自四个覆盖成年人生活史的数据集的灰色质体积（GMV）估计为输入。性能以平均绝对误差（MAE）、R²、相关性和预测偏差为指标，表明SE在区域均值上 outperform。最佳性能来自于在应用站点上获得的第一层区域预测为准外样本预测，第二层模型在独立且站点特定的数据上训练（MAE=4.75 vs 基准区域均值GMV MAE=5.68）。随着用于训练的dataset数量增加，性能不断提升。第一层预测显示出改进且更稳健的衰老信号，提供新的生物学见解并增强数据隐私。总体而言，SE在保持或增强数据隐私的同时，比基准方法提高了准确度。
引用
@article{arxiv.2501.10153,
title = {Region-wise stacking ensembles for estimating brain-age using MRI},
author = {Georgios Antonopoulos and Shammi More and Simon B. Eickhoff and Federico Raimondo and Kaustubh R. Patil},
journal= {arXiv preprint arXiv:2501.10153},
year = {2025}
}
备注
version1