XiaoMi-AI文件搜索系统
World File Search SystemBrainAge
脑海：重新审视并重新构架机器学习工作流程
图1（a）各种单个模型在空间分辨率（R：4 mm/8 mm），平滑核（S：4 mm/8 mm）和组织段（GM，WM，NGM：非线性注册的模拟GM）方面有所不同。通过平均估计结果的结果表示为年龄偏差校正的MAE，以及在UKB 1子样本上进行的分析的预测年龄和时间表年龄之间的Pearson相关系数。显示了ML算法（RVR/GPR）的比较，以及降低降低的影响和脑组织的选择或它们的串联。BOLD中的结果表示相同的组合模型。（b）通过平均，加权平均或GPR堆叠来结束八个单个模型。为子样本和完整的UKB样本提供了结果。
MRI BrainAGE 显示系统性红斑狼疮患者的大脑老化加剧
系统性红斑狼疮 (SLE) 是一种自身免疫性结缔组织疾病，影响 0.1% 的普通人群，女性患者较多。SLE 患者通常会出现神经精神症状，报告的频率为 20% 至 95%，具体取决于所使用的分类标准 ( Brey et al., 2002 )。这些症状与发病率和死亡率增加以及生活质量下降有关 ( Brey et al., 2002 )。神经精神症状种类繁多，包括头痛、癫痫、局灶性神经功能障碍、情绪障碍和精神病等 ( Brey et al., 2002 )。其中，认知功能障碍尤为普遍，影响约 75% 的患者 ( Leslie and Crowe, 2018 )。这些症状的病理生理学仍存在广泛争议。
使用深度卷积网络
正常衰老和神经退行性疾病都会引起大脑的形态变化。与年龄相关的大脑变化是微妙的，非线性的，在空间和时间上是在受试者内部和人群内的。机器学习模型特别适合捕获这些模式，尽管健康的大脑外观种类繁多，但仍可以产生对感兴趣的变化敏感的模型。在本文中，卷积神经网络（CNN）和Rich UK Biobank数据集（当前可用的最大数据库）的力量被利用，以解决预测脑时代的问题。我们使用12，802 T1加权MRI图像的训练数据集和另外6，885张图像进行测试，以预测时间表年龄。所提出的方法在年龄预测上显示出竞争性的表现，但最重要的是，CNN预测错误∆ brainage =年龄 - 年龄 - 年龄与女性和男性群体中英国生物群的许多临床测量显着相关。，此外，在本实验中仅使用了一个成像方式的图像，我们检查了∆ brainage和来自英国生物库克所有其他成像方式的图像衍生的表型（IDP）之间的关系，显示出与已知年龄模式一致的相关性。此外，我们表明，使用非线性注册的图像训练CNN可以导致网络由注册过程的人工制品驱动，并且缺少衰老的微妙指标，从而限制了临床相关性。由于英国生物银行研究的纵向方面，将来有可能探索诸如该网络之类的模型的ΔBrainage是否可以预测任何健康结果。
![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日](/simg/g:\will\search\icon\source\6\6df385af4e1e348c8cd4bffd41616a77febd483d.webp)
arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日
用于神经成像数据的深度学习是一个有前途但具有挑战性的方向。3D MRI 扫描的高维性使这项工作计算和数据密集型。大多数传统的 3D 神经成像方法使用基于 3D-CNN 的架构，具有大量参数，需要更多的时间和数据来训练。最近，基于 2D 切片的模型受到越来越多的关注，因为它们具有更少的参数，并且可能需要更少的样本来实现相当的性能。在本文中，我们提出了一种用于 BrainAGE 预测的新架构。所提出的架构通过使用深度 2D-CNN 模型对 MRI 中的每个 2D 切片进行编码来工作。接下来，它使用集合网络或排列不变层结合来自这些 2D 切片编码的信息。使用 UK Biobank 数据集对 BrainAGE 预测问题进行的实验表明，与其他最先进的方法相比，具有排列不变层的模型训练速度更快，并提供更好的预测。
- - 多基因风险得分与...
背景。吸烟会导致多种神经退行性疾病和神经性疾病异常，这表明吸烟与加速的脑衰老有关。然而，受吸烟影响的神经生物学机制以及它们是否受到遗传影响，仍有待研究。方法。使用来自英国生物库的结构磁共振成像数据（n = 33 293），对脑年龄预测变量进行了对非吸烟健康组的培训，并对吸烟者进行了测试以获得脑老龄间隙（BAG）。然后计算出与吸烟相关的多个常见遗传量化剂的累积效应，以获取多基因风险评分（PRS）。探索了PRS，BAG，总灰质体积（TGMV）和吸烟参数之间的关系，并注释PR中包含的其他基因，以识别受吸烟影响的潜在分子机制。结果。预测吸烟者中的脑含量非常高（r = 0.725，MAE = 4.16）。吸烟者的袋子（Cohen d = 0.074，p <0.0001）和更高的PR（Cohen d = 0.63，p <0.0001）的袋子比非烟民更高。较高的PRS与吸烟量增加有关，该吸烟量是由Bag和TGMV介导的。几种神经递质和离子通道途径富含与吸烟相关的基因，涉及成瘾，脑突触可塑性和一些神经系统疾病。结论。通过使用简化的整个大脑（袋）与PR结合使用的单一指标，这项研究突出了吸烟者的更大袋子及其与基因和吸烟行为的联系，从而深入了解了神经生物学的基础和吸烟相关敏捷的潜在特征。
使用基于循环切片的网络准确预测大脑年龄
摘要 BrainAge（根据神经影像数据预测受试者的表观年龄）是大脑衰老的重要生物标志物。BrainAge 与真实年龄的偏差与精神和神经疾病有关，并且已被证明可有效预测轻度认知障碍 (MCI) 转化为痴呆症。传统上，3D 卷积神经网络及其变体用于预测大脑年龄。然而，这些网络比 2D 网络具有更多参数并且训练时间更长。在这里，我们提出了一种基于 2D 切片的循环神经网络模型，该模型以有序的矢状切片序列作为输入来预测大脑年龄。该模型由两部分组成：一个 2D 卷积神经网络 (CNN)，它对切片中的相关特征进行编码，以及一个循环神经网络 (RNN)，它学习切片之间的关系。我们将我们的方法与其他最近提出的方法进行了比较，包括 3D 深度卷积回归网络、信息论模型和特征包 (BoF) 模型（例如 BagNet）——其中分类基于局部特征的出现，而不考虑它们的全局空间顺序。在我们的实验中，我们提出的模型的表现与当前最先进的模型相当甚至更好，参数数量几乎减少了一半，收敛时间也更短。关键词：深度学习、循环神经网络、卷积神经网络、大脑年龄、结构磁共振成像
从童年到阿达中期的社会隔离
背景。从结构性MRI数据估计的大脑年龄 - 已知与老年人的精神和身体健康结果相关。社会隔离对健康具有相似的有害影响，可能与加速的大脑衰老有关，尽管对整个生活过程中社会隔离的不同轨迹却鲜为人知。我们检查了从5岁到38岁的社会隔离轨迹与45岁评估的大脑年龄之间的关联。方法。我们以前基于生命过程中的发作和成年期的持续存在，创建了一种社会隔离的类型，使用了基于组的纵向数据的纵向数据分析。类型学包括四个小组：“永不分类”，“仅成人”，“仅儿童”和持续的“儿童成年”隔离。脑年龄差异估计（脑古） - 结构MRI日期和计时年龄的预测年龄之间的差异是45岁的。我们以轨迹组作为预测因素进行了脑部分析，调整性别，家庭社会经济地位以及一系列家族和子女行为因素。结果。成年中期的大脑年龄与家庭和儿童混杂因素调整后的社会隔离轨迹有关，尤其是与“从未存在的”群体相符的“仅成人”群体。结论。尽管我们的发现是关联的，但它们表明，预防社会同学，尤其是在成年中期，可能有助于避免加速与生活后期负面健康结果相关的大脑衰老。