文献速递神经MR

利用互信息解码基于MRI的脑年龄

Decoding MRI-informed brain age using mutual information.
PubMed 文献 · Insights Imaging · 2024-08-26

研究利用Cam-CAN项目609例和脑发育项目547例T1加权MRI数据训练支持向量回归脑年龄模型,采用Kraskov估计器计算脑年龄与区域形态学特征的互信息。结果显示灰质体积互信息最高(8.71),其次为脑脊液体积(7.76)、皮层厚度(6.22),白质体积最低(4.59)。

要点

  • 灰质体积与估计脑年龄的互信息最高,中央前回区域互信息值达0.69。
  • 脑脊液体积互信息次之,扣带回区域互信息值最高达0.87。
  • 白质体积互信息最低,岛叶区域互信息值最高为0.35。

核心结论

  • 互信息值可作为评估各形态学特征对估计脑年龄区域贡献的标准化指标,灰质体积和脑脊液体积是决定估计脑年龄的关键特征。

研究设计与样本

  • 研究论文;训练集来自Cam-CAN项目(N=609,年龄18至88岁),测试集来自脑发育项目(N=547,年龄20至86岁),均为T1加权结构MRI;采用支持向量回归训练脑年龄模型,Kraskov估计器计算互信息。

诊断标准与关键数值

  • 训练集年龄偏差校正后MAE=5.15年,RMSE=6.27年,R²=0.88。
  • 测试集年龄偏差校正后MAE=6.65年,RMSE=8.53年,R²=0.74。
  • 男性亚组年龄偏差校正后R²=0.75,MAE=6.67年,RMSE=8.37年;女性亚组R²=0.72,MAE=6.65年,RMSE=8.66年。
  • 灰质体积总互信息8.71,脑脊液体积7.76,皮层厚度6.22,白质体积4.59。

临床应用与阅片要点

  • 作者认为互信息值可补充现有脑年龄计算模型,帮助理解脑老化与宏观结构变化的关系。
  • 作者指出灰质体积和脑脊液体积是决定估计脑年龄的关键特征。
  • 男性亚组总互信息32.65高于女性亚组28.58,男性亚组脑脊液体积互信息最高(11.62),女性亚组灰质体积互信息最高(9.78)。

局限性

  • 原文未报告局限性。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2024 Aug 26;15:216. doi: 10.1186/s13244-024-01791-9

引言

衰老作为一个不可避免且不可逆的过程,在每个个体中表现独特,并受到遗传易感性[1, 2]、环境决定因素[3]、生活方式选择[1]和神经可塑性[2]之间复杂相互作用的影晌。随着个体在生命的时间轨迹中推进,其大脑经历一系列复杂的变化。这些大脑变化涵盖广泛的生理和病理过程,从皮质层的细微改变到区域特异性的体积变化[3, 4],最终形成与年龄相关的脑形态学的独特模式。大脑的结构变化以多维方式表现,影响体积和基于表面的特征[5]。

随着神经影像学定量方法的发展,脑龄(brain age)的概念被提出,用于在个体水平上全面估计个体的实际年龄[6]。结构磁共振成像(sMRI)在捕捉个体一生中发生的脑形态学细微但关键的变化方面发挥着 pivotal 作用。将sMRI与先进的计算技术(如机器学习算法)相结合,使神经科学家能够开发将脑结构与实际年龄联系起来的预测模型[7]。估计的脑龄有潜力识别偏离常模的情况,有助于理解加速或减速的脑衰老轨迹[8]。预测脑龄与实际年龄之间的差异被称为脑龄差(brain-PAD,brain-predicted age difference)评分[9]。例如,当考虑一个实际年龄为60岁、预测脑龄为65岁的个体时,脑龄差评分为+5岁,表明该个体的大脑正在经历加速衰老过程,加速了+5年。

脑龄模型在临床人群中显示出有前景的实用性。例如,脑龄预测可用于识别精神疾病和神经系统疾病(如精神分裂症和阿尔茨海默病)个体中与衰老相关的异常偏离[10–14]。值得注意的是,这些偏离正常衰老轨迹的情况可在临床症状出现之前被检测到,从而允许更早的干预并可能改善临床结局[7, 13–15]。估计的脑龄也可作为个体衰老过程中脑健康的生物标志物[7]。通过估计个体的脑龄,临床医生可以深入了解其认知健康以及发生年龄相关疾病的风险[12, 15, 16]。

尽管脑年龄前景广阔,但也面临挑战,尤其是两个“黑箱”问题。首先,脑年龄的数值过于“黑箱化”[7]。脑年龄通过结构性脑扫描估算,将脑老化多维改变模式背后的复杂性聚合为一个数值[16]。大脑中与年龄相关的改变是细微的、非线性的且空间分布的[17–19]。尽管脑年龄已在精神疾病和神经系统疾病中被广泛研究,但用于预测脑年龄的具体特征仍不明确,这可能导致忽视重要的神经科学信息[7]。对于希望将脑年龄的用途扩展到那些从典型老化发生病理解剖偏离、可能同时表现为全局和区域改变的状况的研究者而言,这一点尤其值得关注。其次,脑年龄的估算利用了多种统计模型,包括经典统计模型(如多变量和单变量回归、一般线性模型)、机器学习模型(ML)(如随机森林回归、弹性网回归、相关向量回归)以及深度学习技术(DL)(如卷积神经网络)[20–25]。需要注意的是,大多数ML和DL技术都是“黑箱”[26]。与传统统计方法中模型的参数和假设被明确定义不同,由ML和DL算法计算的模型通过迭代过程优化参数来运行,产生非常难以解释的复杂决策边界。ML和DL模型所识别的具体特征或模式可能不易被解释和理解。ML和DL模型的“黑箱”性质引发了对其应用于脑年龄预测时可靠性和可问责性的担忧。这些模型缺乏可解释性可能限制脑年龄在临床人群中的应用。

为解决这些问题,我们采用互信息(MI)值作为标准化指标,以量化形态学特征对估计脑龄的独特贡献。互信息是信息论中的一个基本概念,用于量化一个随机变量包含另一个随机变量信息的程度,被广泛用于衡量变量之间任何关系的统计相关性[27]。这一特性使互信息值能够可靠地测量变量之间的统计依赖性而不受变换的影响,从而为不同表示或坐标系下估计脑龄与形态学特征之间的关系提供稳健且一致的度量。个体变量的互信息值在任何可逆变换下也保持不变[28]。因此,使用互信息值来衡量输入形态学特征对脑龄的影响具有三重优势:(1)计算简便,避免资源密集型流程,尤其是在处理复杂模型和大数据集时;(2)通过捕获任何模型中的特征模式,在不同类型的统计模型之间具有良好的泛化性;(3)直观可解释性,以对统计假设或领域专业知识的最低需求提供可理解的见解。在本研究中,我们最初采用基于体积和基于表面的脑区域特征作为训练特征来开发脑龄模型。随后,我们利用最近邻方法计算每个输入特征与估计脑龄之间的互信息值[27, 29]。该方法旨在弥合脑龄模型可解释性方面的差距,并促进模型预测的验证,从而提高脑龄估计的可信度。此外,它可能增进我们对老龄化人群中脑老化与宏观结构变化之间关系的理解。

材料与方法

参与者

训练集(N = 609,年龄18至88岁)包含T1加权结构MRI扫描,来自剑桥衰老与神经科学中心(Cam-CAN)研究(https://www.cam-can.org)[30]。测试集(N = 547,年龄20至86岁)包含来自大脑发育项目(IXI)(https://brain-development.org)的T1加权sMRI数据。两个数据集中参与者的人口学特征以及MRI采集参数列于表1。根据当地研究方案[30],所有参与者均接受筛查以确保认知健康并排除主要精神疾病。测试集用于验证脑龄预测模型以及量化个体特征对估计脑龄的贡献。

表1 Cam-CAN与大脑发育项目的详细信息 查看原表 ↗

sMRI扫描的预处理

使用BrainSuite 21a(https://brainsuite.org/)[31]对T1加权MRI扫描进行皮质重建和基于表面的形态学分析。BrainSuite是一个半自动皮质表面识别集成软件包,广泛应用于衰老研究[32, 33]。预处理流程包括以下步骤:(1)皮质表面提取包括以下几个步骤:颅骨剥离、组织分类、脑结构粗略标记,以及建模大脑皮质的内外边界。值得注意的是,在颅骨剥离过程之前应用了图像增强和预处理技术。应用各向异性扩散滤波器平滑相邻组织区域,同时保持它们之间的边缘边界,增强脑与其他组织之间的边界[34]。然后使用三维Marr Hildreth边缘检测器和形态学腐蚀处理从图像中去除颅骨和头皮[35, 36]。使用参数化组织测量模型对剥离后的脑图像进行非均匀性校正[31];(2)基于部分容积估计和各向异性扩散方程的皮质厚度估计;(3)表面约束的容积配准,以创建到标记参考图谱(BCI-DNI)[37]的映射,并为皮质表面和脑体积分配标签;(4)将皮质厚度估计对齐到图谱空间;(5)计算受试者水平的特征,包括灰质体积(GMV)、白质体积(WMV)、脑脊液(CSF)体积以及预定义感兴趣区的皮质厚度。进行了视觉检查,任何分割错误均经过手动校正。

区域皮质特征

我们使用了四种类型的区域形态学特征,包括GMV、WMV、CSF体积和皮质厚度,共计66个,作为脑年龄模型的输入特征。鉴于大脑的解剖学不对称性,我们从左右大脑半球提取区域形态学特征[38–40]。根据BCI-DNI图谱,共选择了覆盖两个半球的66个皮质区域。为了系统地探究区域形态学特征对估计脑年龄的影响,我们研究了每个皮质区域不同形态学特征的组合,包括66个区域脑实质体积特征(合并每个皮质区域的GMV和WMV);以及66个区域颅内体积特征(合并每个皮质区域的GMV、WMV和CSF体积)。

支持向量回归模型

我们使用支持向量回归(SVR),这是一种在Python中通过scikit-learn库实现的稳健回归模型,广泛用于估计脑龄[20, 41–46]。SVR寻求识别一个超平面,使与训练数据的偏差最小化,类似于线性回归[47]。与线性回归不同,SVR可以仅根据超出由超参数epsilon( )设定的“容差边界”的数据点(称为支持向量)来计算误差,这些支持向量决定超平面的位置。正则化超参数“C”在平衡超平面复杂度和训练误差方面起着至关重要的作用,有效防止过拟合。我们使用径向基函数(RBF)核,通过“核技巧”促进将非线性数据映射到更高维度。我们应用嵌套10折交叉验证方案和带有“neg_mean_absolute_error”评分参数的GridSearchCV函数,以确定SVR的最优正则化超参数。然后我们使用“best_params_”属性获取正则化超参数“C”的值,结果为C = 1。

年龄偏差校正

在脑龄估计中,一个常见现象是与年龄相关的偏差,由于回归分析的一般统计特征,年轻个体往往具有被高估的脑龄,而老年个体具有被低估的脑龄[41, 48, 49]。为了解决这种与年龄相关的偏差,我们采用了一种统计年龄偏差校正方法。该方法包括将估计的脑龄拟合到一个回归函数中:

在该方程中, 表示受试者 的校正后脑龄, 是第一估计脑龄, 是受试者 的实际年龄。校正系数α和β通过在训练集中的拟合进行估计,随后应用于校正测试集中的估计值[50]。

解码脑区的贡献

互信息(MI)衡量变量之间的相互依赖程度,由Shannon于1948年首次定义并分析[51]。MI基于熵的概念,熵衡量随机变量的不确定性或随机性。熵的计算基于随机变量的概率函数,其中较高的熵表示更大的不确定性和信息量。对于随机变量 ,其熵记为 ,表示与 相关的不确定性。 的熵为:

) 表示随机变量 的每个可能结果, 是 ) 的边缘概率。对于两个变量 和 ,它们的MI:量化了在已知一个变量时另一个变量不确定性的减少量。在数学上,MI可以表示为 和 的联合熵与它们各自熵之和的差:

MI是非负的( )且对称的( )。MI值为零表示两个变量独立,即知道一个变量不会提供关于另一个变量的任何信息。MI值越高表示变量之间的依赖性越强。在本研究中,我们采用Kraskov、Stögbauer和Grassberger提出的KSG估计器来计算MI [27]。KSG方法采用一种自适应非参数方法来估计MI,无需对潜在的概率分布做出假设。它利用k近邻来估计局部密度并对数据进行自适应分箱。KSG方法具有对噪声稳健和对数据结构自适应等优点。公式如下:

是联合空间中的数据点数量。

是最近邻的数量。

是双伽马函数。

和分别是X和Y边际空间内的邻居计数。

结果

模型性能

脑龄模型使用264个训练特征进行训练,包括平均皮质厚度、GMV、WMV和CSF的区域体积。本研究纳入了三种常用的模型性能指标:(1) 均方根误差(RMSE)[52],(2) 平均绝对误差(MAE)[52],以及(3) 决定系数( )[53]。年龄偏差校正系数(α = 0.885,β = 5.658)由训练集中的拟合得出,并应用于校正独立测试集中的预测。在训练集上,模型达到了MAE = 5.32年、RMSE = 6.64年和 = 0.87的准确度。经过年龄偏差校正后,脑龄模型的性能相应提高(MAE = 5.15年,RMSE = 6.27年, = 0.88)。

在独立测试集中,实际年龄与估计脑龄之间的关系,以及实际年龄与年龄偏差校正后估计脑龄之间的关系,如图1所示。脑龄模型在测试集中的性能略有下降,结果为MAE = 7.79年、RMSE = 9.80年和 = 0.66。然而,经过年龄偏差校正后,观察到模型预测准确度有所提高:MAE = 6.65年、RMSE = 8.53年和 = 0.74。

图1 测试集中估计脑龄与实际年龄之间的关系。图中展示了预测带和95%置信带。a展示了估计脑龄与实际年龄之间的关系。红线是当估计脑龄等于实际年龄时拟合的回归线。蓝线是估计脑龄与实际年龄之间拟合的回归线。b展示了年龄偏差校正后估计脑龄之间的关系。红线是当年龄偏差校正后的估计脑龄等于实际年龄时拟合的回归线。绿线是年龄偏差校正后的估计脑龄与实际年龄之间拟合的回归线 查看原图 ↗

不同脑特征的贡献

分别计算估计脑年龄与每个输入脑特征之间的MI值。此外,为探讨区域脑实质体积与估计脑年龄之间的关联,我们聚合了同一脑区内GMV和WMV的MI值。为探究区域颅内体积与估计脑年龄之间的关系,我们聚合了每个脑区内GMV、WMV和CSF体积的MI值。考虑大脑半球间的几何不对称性,每个脑区的输入特征均包含来自两个半球的特征。为聚焦脑区的整体形态学特征,同一脑区跨半球的MI值被合并。图2–4展示了33个皮层脑区的MI值,图5以热图形式可视化了排名前十的脑区。

值得注意的是,尽管年龄校正后脑年龄与所有特征之间的总MI值(27.28)低于估计脑年龄与所有特征之间的总MI值(28.21),但年龄校正后脑年龄、估计脑年龄与各脑区特征之间的MI值无显著差异。鉴于年龄偏差校正是脑年龄估计中常用的步骤,我们讨论了从年龄校正后脑年龄获得的结果,以剖析脑区特征的具体贡献。在四类脑特征中,GMV的总MI值最高(8.71),其中中央前回的MI评分最高(0.69)(图5a)。总MI值次高的是CSF体积(7.76),其中扣带回的MI评分最高(0.87)(图5b)。总MI值第三高的是平均CT(6.22),其中颞上回显示最高MI值(0.53)(图5c)。WMV的总MI值最低(4.59),最高MI值见于岛叶(0.35)(图5d)。关于脑实质体积(GMV与WMV的组合),额上回显示最高总MI值(0.80)(图5e)。关于颅内总体积(GMV、WMV和CSF体积的组合),扣带回显示最高总MI值(1.18)(图5f)。

图2 年龄偏差校正后估计脑年龄与四种脑形态学特征(GMV、CSF体积、CT和WMV)在33个脑区之间互信息(MI)值的详细排名。脑区根据MI值分为三组:最高三分之一、中间三分之一和最低三分之一,以不同颜色强度表示。提供红色参考线,表示MI值为0.35,即岛叶WMV与年龄偏差校正后估计脑年龄之间的MI值。GMV,灰质体积;CSF,脑脊液;CT,皮层厚度;WMV,白质体积 查看原图 ↗
图3 年龄偏差校正后估计脑年龄与脑实质(GMV联合WMV)特征在33个脑区之间互信息(MI)值的详细排名。脑区根据MI值分为三组:最高三分之一、中间三分之一和最低三分之一,以不同颜色强度表示 查看原图 ↗
图4 年龄偏差校正后估计脑年龄与总颅内体积(GMV联合WMV和CSF体积)特征之间互信息(MI)在33个脑区的详细排名。这些脑区根据MI值分为三组:最高三分之一、中间三分之一和最低三分之一,通过颜色深浅的差异直观表示 查看原图 ↗
图5 本图展示了BCI-DNI图谱中按互信息(MI)值排名前十的脑区脑热图。a显示灰质体积(GMV)排名前十的脑区。中央前回表现出最高的MI值(0.69)。b展示脑脊液(CSF)体积排名前十的脑区。扣带回表现出最高的MI值(0.87)。c显示皮质厚度排名前十的脑区。颞上回表现出最高的MI值(0.53)。d展示白质体积(WMV)排名前十的脑区。岛叶表现出最高的MI值(0.35)。e描绘脑实质体积(GMV和WMV联合)排名前十的脑区。额上回在脑区中表现出最高的MI值(0.80)。f显示颅内总体积(GMV、WMV和CSF体积的联合)排名前十的脑区。扣带回表现出最高的总MI值(1.18) 查看原图 ↗

性别特异性测试亚组中的MI

我们将IXI数据集分为女性亚组(样本量:304;年龄范围:19.98–86.32岁)和男性亚组(样本量:243;年龄范围:20.07–86.20岁)。脑年龄预测模型在男性亚组上的性能为R2 = 0.68,MAE = 7.74岁,RMSE = 9.61岁。年龄偏差校正后,模型在男性亚组上的性能略有改善:R2 = 0.75,MAE = 6.67岁,RMSE = 8.37岁。脑年龄预测模型在女性亚组上的性能为R2 = 0.64,MAE = 7.84岁,RMSE = 9.96岁,准确度低于男性亚组。年龄偏差校正后,模型在女性亚组上的性能略有改善:R2 = 0.72,MAE = 6.65岁,RMSE = 8.66岁。我们计算了年龄偏差校正后估计脑年龄与男性和女性亚组中所有特征之间的MI。男性亚组的总MI为32.65,高于女性亚组的总MI(28.58)。在男性亚组中,CSF体积在四类脑特征中表现出最高的MI(11.62),而GMV表现出第二高的MI(8.95)。在女性亚组中,GMV在四类脑特征中表现出最高的MI(9.78),而CSF体积表现出第二高的MI(7.80)。我们计算了Spearman秩相关系数和p值,以评估男性和女性亚组之间以及整个测试数据集中脑区MI的统计学显著性。显著性水平设定为0.05。结果表明,女性亚组、男性亚组和整体测试数据集之间各脑区MI值排名无显著差异。

讨论

在本研究中,我们使用四种形态学特征来训练脑年龄模型。随后,我们将该模型应用并验证于一个独立测试数据集,以计算估计脑年龄。通过比较分析各输入特征、输入特征组合(脑实质和颅内总体积)与估计脑年龄之间的互信息(MI)值,我们观察到若干有趣发现。这些发现强调了特定基于MRI的形态学特征在决定个体脑年龄中的关键意义,并通过计算模型为脑老化过程提供了新的见解。我们使用性别特异性亚组验证了我们的发现,结果显示各性别特异性亚组之间各脑区MI值排序无显著差异。

首先,皮质灰质体积与估计脑年龄的相关性最强。这一观察结果突出了以灰质作为输入特征的脑年龄模型相比其他类型形态计量学特征具有更优的预测准确性[54, 55],其在脑年龄研究领域的广泛应用也证明了这一点[6, 13, 56–61]。既往MRI研究已显示灰质中与年龄相关的解剖学变化,包括衰老过程中全脑灰质体积(GMV)和区域GMV的线性下降[62]。因此,使用GMV作为估计脑年龄的输入特征不仅具有生物学合理性,而且对模型性能有实质性贡献。此外,另一个与脑脊液体积相关的体积学特征与估计脑年龄的相关系数排名第二,仅次于GMV。与既往研究[63]一致,这一发现也突出了脑脊液体积作为脑年龄估计有价值的特征的潜力。脑脊液体积的变化包含了与脑年龄相关的信息。然而,需要注意的是,脑脊液特异性特征在当前脑年龄研究中的应用仍然有限。其次,在脑实质体积特征中,上额回(SFG)与估计脑年龄的关联最强。从神经解剖学角度来看,SFG是新皮质上显著的脑回,约占额叶的三分之一。从神经心理学角度来看,被认为依赖于额叶皮质的核心认知能力,如任务转换、执行功能、言语流畅性、复杂注意力和表现监控,特别容易受到衰老过程的影响[64–67]。神经解剖学与认知功能之间的联系可能为理解特征特异性脑年龄模型提供另一个独特视角。例如,1997年,Hannien等发现范畴言语流畅性测验(CVFT)评分与额叶体积之间存在正相关[68]。随后,Lu及其同事发现,脑年龄显示更老的神经认知障碍(NCD)患者在CVFT上的表现显著差于正常衰老对照组[69]。因此,我们的发现可能证实了额叶体积在脑年龄估计中的重要性。在考虑脑实质和脑脊液体积时,扣带回的总颅内体积与脑年龄的MI值最高,这可能突出了扣带回在年龄相关脑变化中的重要性。在阿尔茨海默病(AD)中,MRI研究一致报道扣带回体积较正常对照减小[70, 71],基于体素的形态计量学分析表明灰质密度降低,尤其是后部区域[72–74]。使用磁共振波谱[75]和正电子发射断层扫描[76–78]也观察到AD患者后扣带回的代谢变化减低(即代谢减低)。了解扣带回的变化可能有助于应对衰老和神经退行性疾病中的认知衰退,并进一步为脑健康制定针对性的预防措施。

本研究的结果标志着一项显著且实用的进展,原因有以下几点。首先,我们同时将四种不同的形态学特征纳入脑龄模型,采取了全脑视角。在脑龄研究领域,原始MRI扫描因其固有的多维形态学信息而常被用作输入特征[54, 79–81]。我们通过定量预处理从MRI扫描中提取区域形态学信息作为输入特征,从而提高了脑龄模型的可解释性。其次,本研究探索了将互信息(MI)作为一种标准化方法来解释脑龄模型的新用途。MI是一种理想的统计量,能够以多种方式量化变量之间的关系程度[82]。脑萎缩速率随年龄呈非线性变化,如在颞叶中观察到的那样[83],而在海马和额叶等区域则呈线性模式[84, 85]。MI能够在个体水平上同等量化各脑区特征与脑龄之间的相关性。此外,区域形态学特征与脑龄之间关系的非线性本质可能解释了为什么多元线性回归模型在脑龄研究中往往缺乏最佳性能。相比之下,支持向量机(SVM)作为一种常用的计算模型,能够有效捕捉线性和非线性关系[45, 86]。此外,MI基于信息论的成熟理论框架,通过测量形态学特征与估计脑龄之间的共享信息提供了直观的解释。凭借独立性优势,MI对数据集大小不敏感,因此能够以紧误差界收敛至相关性度量[29]。

尽管我们的模型在测试集中表现出轻微过拟合,但我们刻意避免使用降维技术(如主成分分析或独立成分分析)进行预处理。我们在训练和测试过程中保留了所有输入特征,以维持脑龄估计的可解释性,并避免降维技术带来的混淆。我们的目标是在独立测试集中评估区域级特征对脑龄预测的可解释性,而非追求更低的平均绝对误差(MAE)。尽管如此,我们模型的准确性与其他脑龄研究相当[8, 21]。

结论

利用形态学特征与估计脑龄之间的互信息是评估各脑区对脑龄贡献的一种有前景的方法。额叶灰质体积和边缘系统脑脊液体积的重要作用表明,区域灰质和脑脊液是决定估计脑龄的关键特征,这可能为现有的脑龄计算模型增添价值。

局限性与未来方向

本研究的结果必须在局限性的背景下加以解读。第一,我们使用两个数据库分别作为训练集和测试集,这可能限制了我们结果的普适性。在未来的研究中,我们的目标是纳入更广泛的人口学数据库和更大的样本量,以增强我们研究结果的稳健性。第二,我们的脑龄模型表现出轻度过拟合。我们将在保留输入特征维度的同时,通过增加数据量和探索多样化的回归模型来提高预训练模型的预测准确性和泛化能力。第三,我们对脑形态学特征的分析仅限于皮层区域。此外,我们在脑龄模型中仅使用了从单一模态MRI(即结构MRI)提取的形态学特征作为训练特征。纳入多模态与年龄相关的神经影像特征,如基于DTI(弥散张量成像)的指标、T2加权MRI上的白质高信号,以及磁敏感加权成像(SWI)扫描上金属的存在和体积,可为脑龄预测模型提供重要的补充信息,从而提高所训练算法的预测效能。最后,精细的脑区划分对于精准靶向治疗至关重要。我们打算细化脑区划分,这将有助于更全面地分析和解读各种神经系统疾病中的脑龄。

引用

  1. Li J, Lam LCW, Lu H, et al. Decoding MRI-informed brain age using mutual information. Insights Imaging. 2024. PMID: 39186199. doi:10.1186/s13244-024-01791-9
  2. 全文:PMC11347523(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11347523/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。