DOI: https://doi.org/10.1002/hbm.26558
PMID: https://pubmed.ncbi.nlm.nih.gov/38224546
تاريخ النشر: 2024-01-01
المؤلف: Huy‐Dung Nguyen وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تقدم ورقة البحث نهجًا مبتكرًا لتقدير عمر الدماغ من خلال استخدام التصوير بالرنين المغناطيسي الهيكلي (MRI) لإنشاء خريطة شيخوخة على مستوى الفوكسل. يعزز هذا الأسلوب تحليل فجوة عمر الدماغ التقليدي، الذي يقارن عادةً بين العمر الزمني والعمر الدماغي المقدر، من خلال دمج معلومات هيكلية مفصلة. يستخدم المؤلفون مجموعة من نماذج التعلم العميق لإنشاء خريطة شيخوخة ثلاثية الأبعاد، والتي يتم تحسينها بعد ذلك باستخدام قناع تقسيم لاستنتاج أعمار الهياكل الدماغية. هذه العلامة الحيوية الجديدة، المسماة عمر الهيكل الدماغي (BSA)، تخدم أغراضًا متعددة: تسهل اكتشاف الشذوذ على مستوى السكان، وتسمح بتقييم الانحرافات عن الشيخوخة الطبيعية في الهياكل الدماغية الفردية، وتساعد في مهام تصنيف الأمراض المتعددة، مما يحسن من التشخيص التفريقي.
تشير النتائج إلى أن BSA المقترح وتقدير فجوة عمر الدماغ (BSAGE) يتفوقان بشكل كبير على الأساليب الحالية الرائدة في مختلف سيناريوهات التصنيف، بما في ذلك مرض الزهايمر (AD)، والخرف الجبهي الصدغي (FTD)، وغيرها من الحالات العصبية. في كل من الاختبارات داخل المجال وخارج المجال، يظهر النموذج دقة متفوقة، مع استخدام مشترك لـ BSA وحجم الهيكل الذي يحقق أعلى أداء تصنيفي. تؤكد النتائج على إمكانيات هذا النهج على مستوى الفوكسل ليس فقط في توقع العمر الزمني ولكن أيضًا في تصور الشذوذات الدماغية، مما يساعد الأطباء في اتخاذ قرارات تشخيصية أكثر استنارة.
مقدمة
في المجال الطبي، يُعتبر العمر الزمني مقياسًا تقليديًا لتقييم الصحة، ولكنه قد لا يعكس بدقة الحالة الفسيولوجية للفرد بسبب عوامل مؤثرة متنوعة، بما في ذلك الوراثة والبيئة ونمط الحياة. لمعالجة هذه القيود، ظهر مفهوم العمر البيولوجي (BA)، الذي يقدر عمر الفرد بناءً على منهجيات متنوعة تأخذ هذه العوامل في الاعتبار. تشير الانحرافات في BA عن العمر الزمني إلى عمليات شيخوخة متسارعة أو متأخرة، والتي يمكن تقييمها على مستوى الجسم بالكامل ومستويات الأعضاء المحددة. استخدمت التطورات الحديثة، مثل شبكة شيخوخة الأعضاء المتعددة التي اقترحها تيان وآخرون، التصوير الدماغي متعدد الوسائط والبيانات الفسيولوجية لكشف الطبيعة المتنوعة لشيخوخة الأعضاء، مما قد يساعد في التعرف المبكر على الأفراد المعرضين لمشاكل صحية مرتبطة بالعمر.
أدت التحقيقات الإضافية في شيخوخة الأعضاء المحددة إلى نتائج واعدة. على سبيل المثال، ركز لو غوالك وآخرون على توقع أعمار الكبد والبنكرياس من خلال بيانات التصوير لتحسين تقديرات العمر البطني، بينما استخدم ماور وآخرون تصوير الركبة ثلاثي الأبعاد لتقدير العمر، مما يسهل التصنيف الدقيق للأفراد فوق 18 عامًا. تقدم هذه الورقة نهجًا جديدًا لتقدير عمر الدماغ على مستوى الفوكسل، مما يؤدي إلى خريطة شيخوخة ثلاثية الأبعاد توفر أعمار هياكل الدماغ (BSA). من المتوقع أن يوفر هذا المقياس المحلي معلومات أكثر عمقًا بشأن حالة الفرد مقارنةً بتوقع العمر الدماغي العالمي. أظهرت عملية التحقق من هذا الإطار أداءً تنافسيًا ضد الأساليب الحالية، حيث أثبت تقدير فجوة عمر الهيكل الدماغي (BSAGE) فائدته في التصنيف متعدد الفئات لمختلف الحالات الإدراكية والعصبية. بالإضافة إلى ذلك، يسمح تصور BSAGE على خريطة دماغية بتحديد المناطق الدماغية المتأثرة بأمراض مختلفة، مما يعزز فهمنا للآفات المرتبطة بالعمر.
طرق
توضح قسم “الطرق” في ورقة البحث المواد والإجراءات التجريبية المستخدمة في الدراسة. يتم تفصيل المواد المحددة المستخدمة في التجارب، بما في ذلك مصادرها وأي مواصفات ذات صلة تضمن إمكانية إعادة الإنتاج. يبرز القسم أهمية اختيار المواد المناسبة لتحقيق نتائج موثوقة.
تُعرض النتائج التجريبية بشكل منهجي، مع تسليط الضوء على النتائج الرئيسية المستمدة من التجارب المنفذة. تُستخدم التحليلات الإحصائية للتحقق من النتائج، مما يضمن أن الاستنتاجات المستخلصة قوية وذات دلالة. قد يناقش القسم أيضًا أي اتجاهات أو أنماط ملحوظة، مما يوفر أساسًا لمزيد من المناقشة في الأقسام اللاحقة من الورقة. بشكل عام، يخدم هذا القسم لتأسيس الصرامة المنهجية والأساس التجريبي لاستنتاجات الدراسة.
مناقشة
في هذه الدراسة، تم إجراء تحليل شامل باستخدام مجموعة بيانات تتكون من 39,255 صورة MRI ذات وزن T1 مأخوذة من عدة مبادرات تصوير عصبي، بما في ذلك ABIDE وADNI وUKBioBank. كانت الأهداف الرئيسية هي تطوير متنبئ بالعمر الزمني وتصنيف عدة أمراض، باستخدام مجموعة من بيانات التدريب والتحقق. لتوقع العمر، تم استخدام 32,718 صورة، مع إجراء التدريب على ثمانية مجموعات بيانات والاختبار على مجموعتين بيانات خارجيتين، مع التركيز على كل من السكان الشباب وكبار السن. أظهر النموذج متوسط خطأ مطلق (MAE) قدره 1.88 سنة للسكان الشباب و3.83 سنة للسكان الأكبر سنًا، متفوقًا على الأساليب الحالية الرائدة.
تم تقييم تصنيف عدة أمراض باستخدام 6,537 صورة عبر ست فئات (CN، AD، FTD، MS، PD، وSZ). تم استخدام نهج التحقق المتقاطع 10 مرات للتحقق داخل المجال، بينما تم إنشاء مجموعة بيانات خارج المجال لتقييم قدرات تعميم النموذج. أشارت النتائج إلى أن الميزات المقترحة، وخاصة فجوة عمر الهيكل الدماغي (BSAGE)، عززت بشكل كبير أداء التصنيف، محققة دقة متوازنة (BACC) بنسبة 91.8% لاكتشاف AD و84.6% لاكتشاف MS عند دمجها مع ميزات حجم الهيكل. تؤكد النتائج على فعالية المنهجيات المقترحة في كل من تقدير العمر الزمني وتصنيف الأمراض المتعددة، مما يبرز الإمكانيات للتطبيقات السريرية في تشخيص الأمراض التنكسية العصبية.
DOI: https://doi.org/10.1002/hbm.26558
PMID: https://pubmed.ncbi.nlm.nih.gov/38224546
Publication Date: 2024-01-01
Author(s): Huy‐Dung Nguyen et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The research paper presents an innovative approach to estimating brain age by utilizing structural magnetic resonance imaging (MRI) to create a voxel-wise aging map. This method enhances the conventional brain age gap analysis, which typically compares chronological age with estimated brain age, by incorporating detailed structural information. The authors employ an ensemble of deep learning models to generate a 3D aging map, which is then refined using a segmentation mask to derive brain structure ages. This new biomarker, termed Brain Structure Age (BSA), serves multiple purposes: it facilitates anomaly detection at the population level, allows for the assessment of deviations from normal aging in individual brain structures, and aids in multi-disease classification tasks, thereby improving differential diagnosis.
The findings indicate that the proposed BSA and its gap estimation (BSAGE) significantly outperform existing state-of-the-art methods in various classification scenarios, including Alzheimer’s disease (AD), frontotemporal dementia (FTD), and other neurological conditions. In both in-domain and out-of-domain tests, the model demonstrates superior accuracy, with the combined use of BSA and structural volume yielding the highest classification performance. The results underscore the potential of this voxel-wise approach not only for predicting chronological age but also for visualizing brain abnormalities, ultimately assisting clinicians in making more informed diagnostic decisions.
Introduction
In the medical domain, chronological age serves as a conventional metric for assessing health, but it may not accurately reflect an individual’s physiological state due to various influencing factors, including genetics, environment, and lifestyle. To address this limitation, the concept of biological age (BA) has emerged, which estimates an individual’s age based on diverse methodologies that consider these factors. Deviations in BA from chronological age indicate accelerated or delayed aging processes, which can be evaluated at both whole-body and organ-specific levels. Recent advancements, such as the multiorgan aging network proposed by Tian et al., utilize multimodal brain imaging and physiological data to reveal the heterogeneous nature of organ aging, potentially aiding in the early identification of individuals at risk for age-related health issues.
Further investigations into organ-specific aging have yielded promising results. For instance, Le Goallec et al. focused on predicting liver and pancreas ages through imaging data to refine abdominal age estimations, while Mauer et al. employed 3D knee imaging for age estimation, facilitating accurate classification of individuals over 18 years. This paper introduces a novel approach for estimating brain age at the voxel level, resulting in a 3D aging map that provides Brain Structure Ages (BSA). This localized metric is anticipated to yield more insightful information regarding an individual’s condition compared to a global brain age prediction. Validation of this framework demonstrated competitive performance against existing methods, with the Brain Structure Age Gap Estimation (BSAGE) proving beneficial for multi-class classification of various cognitive and neurological conditions. Additionally, visualizing BSAGE on a brain atlas allows for the identification of brain regions impacted by different diseases, enhancing our understanding of age-related pathologies.
Methods
The “Methods” section of the research paper outlines the materials and experimental procedures employed in the study. Specific materials used in the experiments are detailed, including their sources and any relevant specifications that ensure reproducibility. The section emphasizes the importance of selecting appropriate materials to achieve reliable results.
The experimental results are presented systematically, highlighting key findings derived from the conducted experiments. Statistical analyses are employed to validate the results, ensuring that the conclusions drawn are robust and significant. The section may also discuss any observed trends or patterns, providing a foundation for further discussion in subsequent sections of the paper. Overall, this section serves to establish the methodological rigor and the empirical basis for the study’s conclusions.
Discussion
In this study, a comprehensive analysis was conducted using a dataset of 39,255 T1-weighted MRI images sourced from multiple neuroimaging initiatives, including ABIDE, ADNI, and UKBioBank. The primary objectives were to develop a chronological age predictor and classify multiple pathologies, utilizing a combination of training and validation datasets. For age prediction, 32,718 images were employed, with training conducted on eight datasets and testing on two external datasets, focusing on both young and older populations. The model demonstrated a mean absolute error (MAE) of 1.88 years for the young population and 3.83 years for the older population, outperforming existing state-of-the-art methods.
The classification of multiple pathologies was assessed using 6,537 images across six classes (CN, AD, FTD, MS, PD, and SZ). A 10-fold cross-validation approach was utilized for in-domain validation, while an out-of-domain dataset was constructed to evaluate the model’s generalization capabilities. The results indicated that the proposed features, particularly the Brain Structure Age Gap (BSAGE), significantly enhanced classification performance, achieving balanced accuracies (BACC) of 91.8% for AD detection and 84.6% for MS detection when combined with structural volume features. The findings underscore the effectiveness of the proposed methodologies in both chronological age estimation and multi-disease classification, highlighting the potential for clinical applications in neurodegenerative disease diagnostics.