DOI: https://doi.org/10.1002/hbm.26768
PMID: https://pubmed.ncbi.nlm.nih.gov/38949537
تاريخ النشر: 2024-07-01
المؤلف: Yuetong Yu وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
يتناول هذا القسم تطوير والتحقق من صحة نموذج عمر الدماغ المدرب مسبقًا الذي يقدر العمر البيولوجي للدماغ باستخدام بيانات التصوير العصبي الهيكلي. يهدف النموذج إلى تلبية الطلب المتزايد على نماذج عمر الدماغ القوية المستمدة من عينات كبيرة من الأفراد الأصحاء. شمل البحث عينة اكتشاف مكونة من 35,683 مشاركًا (أعمارهم من 5 إلى 90 عامًا، 53.59% إناث) لتقييم تأثيرات استراتيجيات التوافق بين المواقع المختلفة، ونطاقات الأعمار، وأحجام العينات على توقع عمر الدماغ.
تشمل النتائج الرئيسية: (1) تم ملاحظة أعلى دقة في توقع العمر دون توافق بين المواقع؛ (2) تقسيم عينة الاكتشاف إلى مجموعتين عمريتين (5-40 و40-90 عامًا) حسّن التوازن بين دقة النموذج والتباين المفسر في العمر؛ و(3) استقرت دقة النموذج مع حجم عينة أكبر من 1600 مشارك. تم دمج هذه الرؤى في CentileBrain، وهي منصة علم مفتوح تقدم مقاييس تصوير عصبي فردية، مما يسهل الوصول الأوسع إلى تقييمات عمر الدماغ.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التغيرات الكبيرة المرتبطة بالعمر في شكل الدماغ كما لوحظت من خلال دراسات التصوير بالرنين المغناطيسي الهيكلي (sMRI). تناقش تطبيق خوارزميات التعلم الآلي لتقدير العمر البيولوجي للدماغ (عمر الدماغ)، والذي يمكن أن يكون مرجعًا معياريًا للتطور والعمر الطبيعي. من الجدير بالذكر أن الانحرافات بين عمر الدماغ والعمر الزمني يمكن أن تشير إلى تطور أو شيخوخة غير نمطية. تؤكد الورقة على أهمية العوامل المختلفة التي تؤثر على دقة توقع عمر الدماغ، بما في ذلك نوع ميزات الإدخال المورفومترية، وخوارزميات التعلم الآلي، وحجم العينة ونطاق العمر، واستراتيجيات توافق المواقع.
يمتد المؤلفون في عملهم السابق من خلال بناء نماذج توقع عمر الدماغ التي تم التحقق منها عبر فترة حياة بشرية أوسع، باستخدام عينة اكتشاف مكونة من 35,683 فردًا صحيًا تتراوح أعمارهم بين 5-90 عامًا وعينة تكرارية مكونة من 2,102 فرد. يقومون بتقييم أداء خوارزمية الانحدار باستخدام دعم المتجهات (SVR) مع دالة الأساس الشعاعي (RBF)، والتي أظهرت مقاومة للانحرافات ويفضل استخدامها على الطرق الأخرى. يهدف البحث إلى معالجة الفجوات في الأدبيات الحالية بشأن تقدير عمر الدماغ عبر مجموعات عمرية متنوعة وتوافق المواقع، مما يوفر نماذج متاحة للباحثين لتعزيز القابلية للتكرار والتوحيد في هذا المجال.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث تؤكد التحليلات الإحصائية على متانة هذه العلاقات. على وجه التحديد، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة مقابلة، مما يشير إلى وجود رابط سببي محتمل.
علاوة على ذلك، تكشف التحليلات أن النموذج المستخدم لتوقع النتائج بناءً على البيانات الملاحظة لديه درجة عالية من الدقة، كما يتضح من مقاييس مثل $R^2$ وقيم p. تسهم هذه النتائج في المعرفة الحالية من خلال تقديم دعم تجريبي للفرضيات المقترحة واقتراح طرق للبحث المستقبلي. بشكل عام، تؤكد النتائج على أهمية المتغيرات المدروسة في سياق سؤال البحث.
المناقشة
تؤكد قسم المناقشة في الورقة البحثية على أهمية مقاييس التصوير العصبي الفردية، وخاصة عمر الدماغ، في تتبع الانحرافات عن التطور والشيخوخة الطبيعية للدماغ. استخدمت الدراسة عينات مستقلة متنوعة للاكتشاف والتكرار والاتساق الطولي، تتكون من إجمالي 38,161 فردًا صحيًا عبر مجموعة متنوعة من الفئات العمرية والمواقع الجغرافية. تم معالجة الميزات المورفومترية المستخرجة من الصور الموزونة T1 باستخدام مجموعة FreeSurfer، مما أسفر عن 150 ميزة ساهمت في نماذج عمر الدماغ. تم تقييم النماذج باستخدام أساليب محددة حسب الجنس واستخدمت الانحدار باستخدام دعم المتجهات مع دالة الأساس الشعاعي (SVR-RBF) نظرًا لدقتها وثباتها المثبتين.
تشير النتائج الرئيسية إلى أن اختيار استراتيجيات توافق المواقع وتوزيع الأعمار يؤثر بشكل كبير على أداء النموذج. حددت الدراسة أن النماذج التي لا تحتوي على تصحيح الموقع حققت مقاييس أداء متفوقة، مع خطأ مطلق متوسط (MAE) قدره 3.55 سنوات ومعامل ارتباط (CORR) قدره 0.79 عبر فترة الحياة. علاوة على ذلك، حسنت تعديلات انحياز العمر من أداء النموذج، خاصة في التقييمات الطولية. يوفر البحث موردًا مرجعيًا لحساب عمر الدماغ، مما يسهل التوافق عبر الدراسات ويدعم الباحثين الذين لديهم وصول محدود إلى مجموعات البيانات المعيارية. يبرز هذا العمل أهمية الدقة المنهجية في أبحاث عمر الدماغ ويقدم نماذج موثوقة تغطي معظم فترة الحياة البشرية، مما يلبي احتياجات دراسات التطور والشيخوخة.
DOI: https://doi.org/10.1002/hbm.26768
PMID: https://pubmed.ncbi.nlm.nih.gov/38949537
Publication Date: 2024-07-01
Author(s): Yuetong Yu et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
This section discusses the development and validation of a pretrained brain-age model that estimates the biological age of the brain using structural neuroimaging data. The model aims to address the growing demand for robust brain-age models derived from large samples of healthy individuals. The research involved a discovery sample of 35,683 participants (ages 5-90, 53.59% female) to evaluate the effects of various site harmonization strategies, age ranges, and sample sizes on brain-age prediction.
Key findings include: (1) the highest accuracy in age prediction was observed without site harmonization; (2) segmenting the discovery sample into two age groups (5-40 and 40-90 years) improved the balance between model accuracy and explained age variance; and (3) model accuracy plateaued with a sample size greater than 1600 participants. These insights have been integrated into CentileBrain, an open-science platform that provides individualized neuroimaging metrics, facilitating broader access to brain-age assessments.
Introduction
The introduction of this research paper highlights the significant age-related changes in brain morphology as observed through structural magnetic resonance imaging (sMRI) studies. It discusses the application of machine learning algorithms to estimate biological brain age (brain-age), which can serve as a normative reference for typical development and aging. Notably, deviations between brain-age and chronological age can indicate atypical development or aging. The paper emphasizes the importance of various factors influencing brain-age prediction accuracy, including the type of morphometric input features, machine learning algorithms, sample size and age range, and site harmonization strategies.
The authors extend their previous work by constructing brain-age prediction models validated across a broader human lifespan, utilizing a discovery sample of 35,683 healthy individuals aged 5-90 years and a replication sample of 2,102 individuals. They specifically evaluate the performance of the Support Vector Regression (SVR) with Radial Basis Function (RBF) Kernel algorithm, which has shown resilience to outliers and is preferred over other methods. The study aims to address gaps in existing literature regarding brain-age estimation across diverse age groups and site harmonization, ultimately providing accessible models for researchers to enhance reproducibility and standardization in the field.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Furthermore, the analysis reveals that the model used to predict outcomes based on the observed data has a high degree of accuracy, as evidenced by metrics such as $R^2$ and p-values. These findings contribute to the existing body of knowledge by providing empirical support for the proposed hypotheses and suggesting avenues for future research. Overall, the results underscore the importance of the studied variables in the context of the research question.
Discussion
The discussion section of the research paper emphasizes the significance of individualized neuroimaging measures, particularly brain-age, in tracking deviations from typical brain development and aging. The study utilized diverse independent samples for discovery, replication, and longitudinal consistency, comprising a total of 38,161 healthy individuals across various age ranges and geographical locations. The morphometric features extracted from T1-weighted images were processed using the FreeSurfer suite, yielding 150 features that informed the brain-age models. The models were evaluated using sex-specific approaches and employed Support Vector Regression with Radial Basis Function (SVR-RBF) due to its demonstrated accuracy and robustness.
Key findings indicate that the choice of site harmonization strategies and age distribution significantly impacts model performance. The study identified that models without site correction yielded superior performance metrics, with a mean absolute error (MAE) of 3.55 years and a correlation coefficient (CORR) of 0.79 across the lifespan. Furthermore, age-bias adjustments improved model performance, particularly in longitudinal assessments. The research provides a benchmarked resource for brain-age computation, facilitating harmonization across studies and supporting researchers with limited access to normative datasets. This work underscores the importance of methodological rigor in brain-age research and offers validated models that span most of the human lifespan, addressing the needs of developmental and aging studies.