XiaoMi-AI文件搜索系统
World File Search SystemDeepBrainNet
通过临床 T1 加权 MRI 预测大脑年龄的可行性
通过 MRI 获得的个人大脑预测年龄减去实际年龄 (brain-PAD) 可成为研究中疾病的生物标志物。然而，尽管医院提供了丰富的临床信息，但来自临床 MRI 的大脑年龄报告却很少。由于临床 MRI 协议用于特定的临床目的，因此需要测试大脑年龄预测在临床数据上的表现。我们探索了使用 DeepBrainNet（一种之前在面向研究的 MRI 上训练过的深度网络）来预测佛罗里达州一家医疗系统的 15 个设施的 840 名患者的大脑年龄的可行性。由于预计我们的临床样本会出现强烈的预测偏差，我们对其进行了表征，以在大脑-PAD 的组级回归中提出一个协变量模型（建议避免 I 型、II 型错误），并测试了它的普遍性，这是在新的单个临床病例中进行有意义的大脑年龄预测的必要条件。最佳的偏差相关协变量模型与扫描仪无关，且与年龄呈线性关系，而估计无偏差脑年龄的最佳方法是与扫描仪无关且与脑年龄函数呈二次函数的倒数。我们证明了使用考虑所选协变量模型的组级回归来检测脑 PAD 中的性别相关差异的可行性。这些差异在偏差校正后得以保留。独立数据中预测的平均误差 (MAE) 约为 8 年，比使用 DeepBrainNet 的研究导向型 MRI 报告大 2-3 年，而 R 2（假设无偏差）分别为未校正和校正脑年龄的 0.33 和 0.76。DeepBrainNet 在临床人群中似乎是可行的，但需要更精确的算法或迁移学习再训练。
临床、合并症和社会健康决定因素对艾滋病毒感染者和非艾滋病毒感染者大脑老化的影响：一项回顾性病例对照研究
方法 在这项回顾性病例对照研究中，对美国密苏里州圣路易斯华盛顿大学的 HIV 感染者和通过社区组织或研究参与者登记处确定的非 HIV 感染者进行了临床特征分析，并在 2008 年 12 月 3 日至 2022 年 10 月 4 日期间接受了 3 特斯拉 T 1 加权 MRI 检查。排除标准是通过自我报告和医疗记录相结合的方式建立的。DeepBrainNet 是一种公开的机器学习算法，用于从 MRI 中估计 HIV 感染者和非 HIV 感染者的大脑预测年龄。大脑年龄差距定义为大脑预测年龄与真实实际年龄之间的差异，通过使用线性回归将其建模为临床、合并症和社会因素的函数。首先单独检查变量与大脑年龄差距的关联，然后组合成具有最佳子集变量选择的多元模型。
基于阿尔茨海默病静息态功能磁共振成像的图神经网络脑年龄预测
因此，AD的早期诊断方法至关重要。然而，现有的诊断方法主要依赖于对中晚期患者的心理测试和临床观察，缺乏客观有效的早期诊断方法。因此，开发更准确的识别方法并找到更客观的早期诊断生物标志物至关重要，这将有助于患者尽早接受治疗并提高治愈率（Tahami Monfared等，2022；Warren和Moustafa，2023）。脑年龄估计就是这样一种潜在的生物标志物，它可以帮助检测AD等精神障碍。此外，神经影像学驱动的脑年龄预测将有助于研究AD对大脑结构和功能网络的影响。同时，最近的研究也强调，显著延缓MCI进展为AD将降低AD的患病率和成本（Anderson，2019）。为此，通过脑年龄预测识别脑老化加速的个体对于精确识别和干预AD至关重要。因此，通过准确可靠的大脑年龄预测及早识别有患 AD 风险的个体将为制定有效的预防策略铺平道路 (Villemagne 等人，2013)。随着人工智能和医学成像技术的发展，近年来针对大脑年龄估计的研究有所增加 (Frizzell 等人，2022)。这些研究中大多数使用了结构磁共振成像 (MRI) 数据 (Gaser 等人，2013；Sajedi 和 Pardakhti，2019；Bashyam 等人，2020；Levakov 等人，2020；Lee 等人，2022)。例如，Bashyam 等人使用通过 T1 加权 MRI 获得的二维图像训练了 DeepBrainNet，这些图像以最少的预处理步骤从 11,729 名健康对照 (HC) 受试者中获得。他们实现了准确的年龄预测，并表明适度拟合的大脑衰老模型更适合区分 AD 和 HC。该方法通过简单的预处理步骤确保了模型在临床环境中的广泛适用性。然而，一个显着的局限性是它不能识别影响模型性能的解剖区域。Lee 等人（2022 年）认为遮挡敏感性分析增强了模型的可解释性。他们进一步发现，脑沟和白质与大脑年龄差距呈正相关。相反，脑回和脑室周围区域与大脑年龄差距呈负相关。通过这些分析，作者阐明了 AD 对大脑结构的影响。然而，必须注意的是，海马萎缩的结构变化发生在脑内积累 β-淀粉样蛋白 (A β ) 病理多年之后 ( McKhann 等人，2011 年；Villemagne 等人，2013 年)，并且AD中功能连接的受损几乎可以与使用正电子发射断层扫描（PET）测量的A β和tau同步检测到。因此，与大脑结构变化相比，通过静息态功能磁共振成像（rs-fMRI）检测大脑功能变化可能是一种对有AD风险的个体更敏感、更早的方法（Gonneaud等人，2021年）。先前的研究也证明了rs-fMRI数据在预测大脑年龄方面的效用，并提出AD会导致加速衰老。其中一项研究采用了高斯过程回归（GPR），在测试集中获得了8.195的平均绝对误差（MAE）和10.31的均方根误差（RMSE）（Millar等人，2022年）。然而，大多数现有的