多种 MRI 模式的整合可提高认知能力的预测

多种 MRI 模式的整合可提高认知能力的预测

通过大脑成像预测认知能力长期以来一直是认知神经科学的中心目标。虽然机器学习使用大脑 MRI 数据略微改进了预测，但大多数研究依赖于单一 MRI 模式。 Narun Pat 和同事通过一种称为堆叠的技术集成了多种 MRI 模式。

该方法结合了结构 MRI（例如皮质厚度）、静息状态和基于任务的功能连接，以及任务诱发的血氧水平依赖性 (BOLD) 对比，以创建更强大的认知功能神经标记。作者分析了来自美国和新西兰三个大型 MRI 数据集的 2,131 名年龄在 22 岁至 100 岁之间的参与者的数据。在这三个数据集中，一致地叠加，显着改善了从扫描仪收集的认知测试分数的预测。为了评估堆叠是否可以捕获稳定的认知特征，作者将该方法应用于达尼丁多学科健康与发展研究。该模型利用 45 岁时的大脑成像预测了儿童时期（7 岁、9 岁和 11 岁）的认知得分，相关性为 0.52，表明预测准确性很高。 Stacking 在基于 MRI 的模型中还面临着一个重大挑战：重测可靠性——个人排名随时间的稳定性。一致性的提高表明，与单一 MRI 模态模型相比，堆叠使得 MRI 数据能够捕捉到更持久的认知能力个体差异。

最后，研究人员通过在一个数据集上进行训练并在另一独立数据集上进行测试来评估堆叠的普遍性。由于任务方案的差异，作者无法纳入几种重要的 MRI 模式。尽管如此，该模型的皮尔逊相关性达到了 0.25。尽管这低于数据集中的表现，但相关性仍然证明了有意义的跨样本适用性。作者表示，这项研究为堆叠如何加强大脑 MRI 作为认知功能可靠且稳健的神经标记的使用奠定了一个有价值的基准。

资料来源：