Suche
Mein Konto
Integration av flera MRI-modaliteter förbättrar förutsägelsen av kognitiva förmågor
Att förutsäga kognitiv förmåga från hjärnavbildning har länge varit ett centralt mål inom kognitiv neurovetenskap. Medan maskininlärning har måttligt förbättrat förutsägelser med hjälp av MR-data från hjärnan, förlitar sig de flesta studier på en enda MR-modalitet. Narun Pat och kollegor har integrerat flera MRI-modaliteter genom en teknik som kallas stacking. Metoden kombinerar strukturell MRT (t.ex. kortikal tjocklek), vilotillstånd och uppgiftsbaserad funktionell anslutning, såväl som uppgiftsframkallade blodsyrenivåberoende (BOLD) kontraster för att skapa en mer robust neural markör för kognitiv funktion. Författarna analyserade data från 2 131 deltagare i åldern...
Integration av flera MRI-modaliteter förbättrar förutsägelsen av kognitiva förmågor
Att förutsäga kognitiv förmåga från hjärnavbildning har länge varit ett centralt mål inom kognitiv neurovetenskap. Medan maskininlärning har måttligt förbättrat förutsägelser med hjälp av MR-data från hjärnan, förlitar sig de flesta studier på en enda MR-modalitet. Narun Pat och kollegor har integrerat flera MRI-modaliteter genom en teknik som kallas stacking.
Metoden kombinerar strukturell MRT (t.ex. kortikal tjocklek), vilotillstånd och uppgiftsbaserad funktionell anslutning, såväl som uppgiftsframkallade blodsyrenivåberoende (BOLD) kontraster för att skapa en mer robust neural markör för kognitiv funktion. Författarna analyserade data från 2 131 deltagare i åldern 22 till 100 från tre stora MRI-datauppsättningar i USA och Nya Zeeland. Över de tre datamängderna, staplade konsekvent och avsevärt förbättrade förutsägelser av kognitiva testresultat som samlats in från skannern. För att bedöma om stapling kunde fånga stabila kognitiva egenskaper, tillämpade författarna metoden på Dunedin Multidisciplinary Health and Development Study. Med hjälp av hjärnavbildning vid 45 års ålder förutspådde modellen kognitiva poäng i barndomen (åldrar 7, 9 och 11) med en korrelation på 0,52, vilket erkänner en betydande nivå av prediktiv noggrannhet. Stapling stod också inför en stor utmaning i MRT-baserade modeller: test-retest reliability-stabiliteten hos individuella rankningar över tid. Den förbättrade konsistensen tyder på att stapling gör att MRT-data kan fånga mer ihållande individuella skillnader i kognitiv förmåga än enstaka MRT-modalitetsmodeller.
Slutligen utvärderade forskarna generaliserbarheten av stapling genom att träna på en datauppsättning och testa på en separat, oberoende datauppsättning. På grund av skillnader i uppgiftsprotokoll kunde författarna inte inkludera flera viktiga MRI-modaliteter. Ändå uppnådde modellen en Pearson-korrelation på 0,25. Även om detta var lägre än prestandan inom datamängden, visade korrelationen fortfarande en meningsfull grad av korsprovstillämpbarhet. Enligt författarna sätter studien ett värdefullt riktmärke för hur stapling kan stärka användningen av hjärn-MRI som en pålitlig och robust neural markör för kognitiv funktion.
Källor:
Tetereva, A.,et al. (2025) Förbättra förutsägbarheten, tillförlitligheten och generaliserbarheten av hjärnomfattande associationer för kognitiva förmågor via multimodal stapling.PNAS Nexus. doi.org/10.1093/pnasnexus/pgaf175.