Integratie van meerdere MRI-modaliteiten verbetert de voorspelling van cognitieve vaardigheden

Integratie van meerdere MRI-modaliteiten verbetert de voorspelling van cognitieve vaardigheden

Het voorspellen van cognitieve vaardigheden op basis van beeldvorming van de hersenen is lange tijd een centraal doel geweest in de cognitieve neurowetenschappen. Hoewel machinaal leren de voorspellingen bescheiden heeft verbeterd met behulp van MRI-gegevens van de hersenen, vertrouwen de meeste onderzoeken op één enkele MRI-modaliteit. Narun Pat en collega's hebben meerdere MRI-modaliteiten geïntegreerd via een techniek die stapelen wordt genoemd.

De methode combineert structurele MRI (bijv. corticale dikte), rusttoestand en taakgebaseerde functionele connectiviteit, evenals taak-opgewekte bloedzuurstofniveau-afhankelijke (BOLD) contrasten om een ​​robuustere neurale marker van cognitieve functie te creëren. De auteurs analyseerden gegevens van 2.131 deelnemers van 22 tot 100 jaar uit drie grote MRI-datasets in de Verenigde Staten en Nieuw-Zeeland. Over de drie datasets heen zorgde een consistente stapeling voor aanzienlijk betere voorspellingen van cognitieve testscores die door de scanner werden verzameld. Om te beoordelen of stapelen stabiele cognitieve eigenschappen zou kunnen vastleggen, pasten de auteurs de methode toe op de Dunedin Multidisciplinaire Health and Development Study. Met behulp van hersenscans op 45-jarige leeftijd voorspelde het model cognitieve scores in de kindertijd (7, 9 en 11 jaar) met een correlatie van 0,52, waarmee een significant niveau van voorspellende nauwkeurigheid werd erkend. Stapelen stond ook voor een grote uitdaging in op MRI gebaseerde modellen: test-hertestbetrouwbaarheid: de stabiliteit van individuele ranglijsten in de loop van de tijd. De verbeterde consistentie suggereert dat het stapelen ervoor zorgt dat MRI-gegevens persistentere individuele verschillen in cognitieve vaardigheden kunnen vastleggen dan afzonderlijke MRI-modaliteitsmodellen.

Ten slotte evalueerden de onderzoekers de generaliseerbaarheid van stapelen door te trainen op één dataset en te testen op een afzonderlijke, onafhankelijke dataset. Vanwege verschillen in taakprotocollen waren de auteurs niet in staat verschillende belangrijke MRI-modaliteiten op te nemen. Niettemin behaalde het model een Pearson-correlatie van 0,25. Hoewel dit lager was dan de prestatie binnen de dataset, vertoonde de correlatie nog steeds een betekenisvolle mate van toepasbaarheid tussen de steekproeven. Volgens de auteurs vormt de studie een waardevolle maatstaf voor hoe stapelen het gebruik van hersen-MRI als een betrouwbare en robuuste neurale marker van cognitieve functie kan versterken.

Bronnen: