机构名称：
¥ 1.0
机器学习方法通常被采用以推断出有用的生物标志物来早期诊断许多神经退行性疾病，并且通常是神经解剖学衰老。其中一些方法从形态学大脑数据中估算了主题年龄，然后将其表示为“脑时代”。这种预测的大脑年龄与受试者的实际年代年龄之间的差异可以用作与正常脑衰老的病理偏差的指示。大脑年龄模型作为生物标志物的重要用途是从结构磁共振成像（MRI）中对阿尔茨海默氏病（AD）的预测。许多不同的机器学习方法已应用于这项特定的预测任务，其中一些方法以牺牲模型的描述性为代价实现了很高的准确性。这项工作研究了数据科学技术和线性模型的适当组合，以同时提供高精度和良好的描述性。所提出的方法基于包括典型数据科学方法的数据工作流，例如异常值检测，特征选择，线性回归和逻辑回归。尤其是在回归模型中引入了一种新型的归纳偏见，该偏差旨在提高分类任务的准确性和特定性。该方法与其他有或不使用大脑时代（包括支持向量机器和深层神经网络）的形态学大脑数据进行了将基于形态学大脑数据的AD分类的其他机器学习方法进行比较。这项研究采用了从三个存储库（ADNI，AIBL和IXI）获得的1,901名受试者的1，901个受试者的大脑MRI扫描。在反复的交叉验证分析中，仅基于提出的明显脑年龄和年代年龄的预测模型，男性和女性受试者的准确度分别为88％和92％，因此比ART机器学习方法的状态达到了可比或卓越的性能。提出的方法的优点是它在整个回归和分类任务中保持输入空间的形态学语义。准确的预测模型也具有很高的描述性，可用于对预测产生潜在有用的见解。
Allan，R。Orcid：https：//orcid.org/0000-0003-0264-9447 and Merchant，C。Orcid：https：//orcid.org/000000-0003-4687-9850（2025）
主要关键词
相关文件推荐
