摘要。通过深度学习进行脑年龄 (BA) 估计已成为脑健康的强大而可靠的生物标记,但神经网络的黑箱性质并不容易洞察脑老化的特征。我们训练了一个 ResNet 模型作为 BA 回归器,该模型基于来自 524 人的小型横断面队列的 T1 结构 MRI 体积。使用逐层相关性传播 (LRP) 和 DeepLIFT 显着性映射技术,我们分析了训练后的模型,以确定与网络最相关的脑老化结构,并在显着性映射技术之间进行比较。我们展示了在衰老过程中对不同脑区相关性归因的变化。对脑区相关性归因的三部分模式出现了。一些区域随着年龄的增长而相关性增加(例如右侧颞横回);一些区域随着年龄的增长相关性降低(例如右侧第四脑室);其他区域在各个年龄段都始终相关。我们还研究了大脑年龄差距 (BAG) 对脑容量内相关性分布的影响。希望这些发现能够为正常大脑衰老提供临床相关的区域轨迹,以及比较大脑衰老轨迹的基线。
![arXiv:2202.11690v1 [q-bio.NC] 2022 年 1 月 12 日PDF文件第1页](/bimg/0/051c0f477ad5027b1474bdf065f8d0c5341d53e3.webp)
![arXiv:2202.11690v1 [q-bio.NC] 2022 年 1 月 12 日PDF文件第2页](/bimg/5/5035e4839d36adf1faba941ee64e6d4568a1adb6.webp)
![arXiv:2202.11690v1 [q-bio.NC] 2022 年 1 月 12 日PDF文件第3页](/bimg/4/43544dcd01c6455d71a05ce2593ae5e081c2a7c4.webp)
![arXiv:2202.11690v1 [q-bio.NC] 2022 年 1 月 12 日PDF文件第4页](/bimg/8/8b0130e3fb0601ef1c6c8679f5985c0580f05fe1.webp)
![arXiv:2202.11690v1 [q-bio.NC] 2022 年 1 月 12 日PDF文件第5页](/bimg/b/b3196c278df5ea4ded3e43e4e84ac837dbf1ff4d.webp)
