Jun, 2022

基于机器学习的生物衰老估计技术：调查

PDF
TL;DR本研究主要评估基于血液生物标志物、面部图像和神经影像结构特征的三种生物年龄预测方法，并发现血液生物标志物法最为简便、直接且准确。面部图像法在受种族、环境等多方面影响下，预测准确度有所欠缺，不能为医疗领域做出太大的贡献。总的来说，我们在大数据时代寻找前进的道路，并展示了利用当今可用的大量数据的方法。
biological agemachine learningblood biomarkersfacial imagesstructural neuroimaging features
发现论文，激发创造
  • 利用回归模型和 MRI 特征实现强韧的脑龄预测

    本文介绍了一种使用机器学习模型和开放的健康大脑数据集（OpenBHB dataset）的新的脑龄评估框架，该框架整合了三种不同的 MRI 衍生区域特征和不同的回归模型，可高度精确地评估脑龄，对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。

    Jun, 2023

  • 利用深度学习从原始成像数据预测大脑年龄，得出可靠的遗传生物标志 / 生物标志物

    使用深度学习和卷积神经网络方法，预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格，该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高，具有高度的可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并且可以在原始数据上准确生成预测，实现在临床现场获得大脑健康信息。

    Dec, 2016

  • 基于无监督和半监督深度学习方法开发考虑发病率和死亡率的深度生物学年龄

    本文提出了一种新型深度学习模型，利用健康体检数据以及发病率和死亡率信息来学习生物老化与临床特征之间的复杂关系，与 KDM 和其他学习模型相比，在大规模普通人群数据集的评估中，该模型获得了更优秀的判别力。

    Feb, 2023

  • 不同算法可能发现不同模式：一个脑龄预测案例研究

    通过在脑电图研究中使用不同的机器学习算法，并结合 SHAP 值的解释能力，我们发现算法的变异性对于脑龄预测的研究结果的一致性有重要影响。

    Feb, 2024

  • 基于地图的可解释年龄预测

    使用整体身影图像，基于 Grad-CAM 可解释性方法进行人体年龄预测，发现脊柱、本地背肌和心脏区域最相关。

    Jul, 2023

  • 脑结构衰老 -- 一种用于多病分类的新生物标志物

    本文提出了使用深度学习模型通过 MRI 数据预测大脑结构的年龄从而提高异常检测的准确性，并且该方法可用于神经疾病差异诊断的多病种分类任务。

    Apr, 2023

  • 将大脑年龄预测问题重新构建为更易解释且定量化的方法

    深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题，比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明，基于体素的年龄预测模型更具解释性，因为它们提供了关于大脑衰老过程的空间信息，并从定量化中受益。

    Aug, 2023

  • 大脑相关任务预训练是否有助于深度学习的脑龄生物标志物的改善？

    本文研究了深度学习模型对于大脑年龄预测的影响，提出了在大脑相关任务上进行预训练以获得最优结果，验证结果表明表现更好的模型并不一定意味着更可靠的生物标志物。

    Jul, 2023

  • SynthBA: 可靠的多个 MRI 序列和分辨率下的脑龄预测

    通过使用合成大脑年龄（SynthBA）模型，我们可以预测大脑的年龄并且在临床环境中更加广泛地应用，而不受获取方式变化的限制。

    Jun, 2024

  • 研究性别差异对脑年龄预测的影响：利用脑磁共振成像

    利用机器学习模型时，如何处理偏差和公平性对不同人群的模型结果产生的影响是至关重要的。本文研究了在基于脑磁共振图像（MRI）开发机器学习模型时与性别相关的偏差问题，通过使用仅女性、仅男性和平衡数据集进行的脑龄预测实验设计，在多个 MRI 数据集上（Calgary-Campinas 和 CamCAN）对所提出的模型泛化能力进行了评估，并发现了在不同性别子组和数据集上训练的模型在脑龄预测的性能和决策（使用可解释性模型评估）方面存在差异，结果表明在不平衡数据集上训练的模型的泛化能力在性别特定子组之间存在差异，突出了谨慎实验设计在产生公平可靠结果中的关键作用。

    Oct, 2023