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

Aug, 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

Reframing the Brain Age Prediction Problem to a More Interpretable and Quantitative Approach

Neha Gianchandani, Mahsa Dibaji, Mariana Bento, Ethan MacDonald, Roberto Souza

TL;DR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。

Abstract

deep learning models have achieved state-of-the-art results in estimating brain age, which is an important brain health biomarker, from magnetic resonance (MR) images. However, most of these models only provide a global age prediction, and rely on techniques, such as →

deep learning models brain age estimation saliency maps voxel-wise age prediction models brain aging process

发现论文，激发创造

基于体素的大脑年龄预测方法：评估区域性大脑老化

通过深度学习模型进行局部脑龄预测，发现健康人和有神经疾病（如痴呆和阿尔茨海默病）的人之间存在脑龄差异。

Oct, 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

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

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

用于脑龄预测的半监督扩散模型

我们采用半监督扩散模型，在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83（p<0.01）的相关性，这竞争力超过了最先进的非生成方法。此外，我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05)，从而显示了扩散模型在脑龄预测任务中的价值。

Feb, 2024

全局 - 局部变压器用于脑龄估计

本研究提出了一种全局和局部信息相结合的转换器，将局部细节和全局信息相结合，利用注意机制根据磁共振成像（MRI）数据进行快速脑龄估计。该方法在 8 个公共数据集上进行验证，相比现有方法，其均方误差为 2.70 岁，相关系数为 0.9853，同时提供了与脑龄估计相关的信息。

Sep, 2021

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

使用协方差神经网络进行可解释的大脑年龄预测

本研究提出了一种基于 VNN 的大脑年龄预测框架，可通过解释获得对年龄差异的洞察力，包括对 Alzheimer 疾病中引起年龄差异的贡献的识别和脑部区域的解释。

May, 2023

用残差学习从白质扩散度预测年龄

利用微结构特征和非宏观结构特征，开发基于白质特定的年龄估计方法，成功捕捉异常的白质年龄化现象。

Nov, 2023

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