机构名称：
¥ 1.0
年代年龄和估计的脑年龄（称为脑年龄间隙）之间的差异可能是揭示脑发育和神经精神病问题的生物标志物。这促使许多研究着重于使用不同特征和模型对大脑年龄进行准确估计的研究，尚未测试其概括性。我们最近的研究表明，传统的机器学习模型只能使用多模式脑成像数据中的一小部分选定特征来实现开发过程中大脑年龄预测的高精度。在当前的研究中，我们测试了各种大脑年龄模型对青少年脑认知发展（ABCD）队列的可复制性。我们提出了一个新的精制模型，以改善脑年龄预测的鲁棒性。现有的脑年龄模型的直接复制测试来自基线（9至10岁）的ABCD参与者的年龄范围（年龄为9至10岁）和两年的随访（11至12岁）（11至12岁）表明，预训练的模型可以捕获整个平均年龄失败，从而精确地估计了狭窄范围内的大脑年龄变化。精制模型将预训练模型和颗粒信息与年龄范围狭窄的广泛预测结合在一起，在基线和一年两年数据的平均绝对误差和0.48年的平均绝对误差中达到了最佳性能。精制模型所产生的大脑年龄差距显示出与参与者的信息处理速度和基线数据上的口头理解能力的显着关联。关键字：大脑年龄估计，多模式数据，建模，复制，结构MRI
青少年发展的脑年龄模型的复制和完善
主要关键词
相关文件推荐
