大脑连接形状与认知表现的预测关系：一种可解释的机器学习研究
神经元与认知
2025-02-26 v2 机器学习
图像与视频处理
摘要
大脑白 matter 连接的形状在扩散 MRI tracts 分析中相对不被探索。虽然已知 tracts 形状在人群中和跨人类寿命范围内都有差异，但尚不知道 dMRI tracts 提取的形状变异性是否与大脑功能变异性相关。本工作探索了利用tracts fiber cluster 形状测度来预测主观认知表现的潜力。我们实现了机器学习模型来预测个体认知表现分数。我们研究来自 HCP-YA 数据库的大规模数据库。我们对每个个体的 dMRI tracts 应用了基于图谱的fiber cluster 分割方法。我们为每个fiber cluster 计算 15 项形状、微结构和连接特征。使用这些特征作为输入，我们训练了总计 210 个模型来预测 7 种不同的 NIH Toolbox 认知表现评估。我们应用可解释 AI 技术 SHAP 来评估每个fiber cluster 对预测的重要性。我们的结果表明，形状测度是预测个体认知表现的有效指标。所研究的形状测度，例如不规则性、直径、总表面积、体积和分支体积，对于预测的效果与微结构和连接测度相当。最佳表现特征是形状特征——不规则性——描述 cluster 形状与理想圆柱形的差异程度。进一步的 SHAP 值解释表明，具有高度预测认知能力的fiber cluster 分布在大脑的各个部位都很普遍，包括浅表关联、深层关联、小脑、 Striatal 和投射通路中的fiber cluster。这一研究表明，形状描述符具有强大的潜力来增强大脑 white matter 的研究及其与认知功能的关系。
关键词
引用
@article{arxiv.2410.15108,
title = {The shape of the brain's connections is predictive of cognitive performance: an explainable machine learning study},
author = {Yui Lo and Yuqian Chen and Dongnan Liu and Wan Liu and Leo Zekelman and Jarrett Rushmore and Fan Zhang and Yogesh Rathi and Nikos Makris and Alexandra J. Golby and Weidong Cai and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2410.15108},
year = {2025}
}
备注
This work has been accepted by Human Brain Mapping for publication