Die Integration mehrerer MRT -Modalitäten verbessert die Vorhersage der kognitiven Fähigkeiten

Die Vorhersage der kognitiven Fähigkeiten aus der Bildgebung des Gehirns ist seit langem ein zentrales Ziel bei der kognitiven Neurowissenschaften. Während maschinelles Lernen die Vorhersagen unter Verwendung von Hirn -MRT -Daten geringfügig verbessert hat, stützen sich die meisten Studien auf eine einzelne MRT -Modalität. Narun Pat und Kollegen haben mehrere MRT -Modalitäten durch eine Technik namens Stapeln integriert.

Die Methode kombiniert strukturelle MRT (z. B. kortikale Dicke), Raststaat und aufgabenbasierte funktionelle Konnektivität sowie auf aufgaben hervorgerufene blutsoxygen-Level-abhängige (BOLD) -Ver Kontraste, um einen robusteren neuronalen Marker der kognitiven Funktion zu erstellen. Die Autoren analysierten Daten von 2.131 Teilnehmern im Alter von 22 bis 100 Jahren aus drei großen MRT-Datensätzen in den USA und Neuseeland. Über die drei Datensätze hinweg verbesserte das Stapeln konsequent und signifikant die Vorhersagen der außer dem Scanner gesammelten kognitiven Testergebnisse. Um zu beurteilen, ob das Stapeln stabile kognitive Merkmale erfassen könnte, wendeten die Autoren die Methode auf die multidisziplinäre Gesundheits- und Entwicklungsstudie von Dunedin an. Mithilfe der Hirntomographie im Alter von 45 Jahren prognostizierte das Modell kognitive Bewertungen im Kindesalter (Alter 7, 9 und 11) mit einer korrelierenden Korrelation von 0,52, die einen erheblichen Grad an prädiktiver Genauigkeit anerkannt. Das Stapeln stand auch mit einer großen Herausforderung in MRT-basierten Modellen an: Zuverlässigkeit der Test-Retest-Zuverlässigkeit-die Stabilität einzelner Rankings im Laufe der Zeit. Die verbesserte Konsistenz legt nahe, dass das Stapeln MRT -Daten ermöglicht, um dauerhafte individuelle Unterschiede in der kognitiven Fähigkeit zu erfassen als Modelle mit einer einzelnen MRT -Modalität.

Schließlich bewerteten die Forscher die Generalisierbarkeit des Stapelns, indem sie auf einem Datensatz trainieren und auf einem separaten, unabhängigen Datensatz getestet werden. Aufgrund von Unterschieden in den Aufgabenprotokollen konnten die Autoren nicht mehrere wichtige MRT-Modalitäten einbeziehen. Dennoch erzielte das Modell mit einer Pearson-Korrelation von 0,25 Pearson. Obwohl dies niedriger war als die Leistung innerhalb des Datensatzes, zeigte die Korrelation dennoch einen aussagekräftigen Grad an Anwendbarkeit der Cross-Probe. Nach Angaben der Autoren setzt die Studie einen wertvollen Maßstab dafür, wie das Stapeln die Verwendung der Hirn -MRT als zuverlässige und robuste neuronale Marker für die kognitive Funktion stärken kann.

Quellen: