Achten Sie auf die Lücke: Bewertung von Leistungskennzahlen in der Vorhersage des Gehirnalters

Die Werte sind niedriger, wenn sie in Proben mit einem engeren Altersbereich gemessen werden. RMSE und MAE sind ebenfalls niedriger in Proben mit einem engeren Altersbereich aufgrund kleinerer Fehler/Gehirnalter-Differenzwerte, wenn die Vorhersagen näher am Durchschnittsalter der Gruppe liegen. In Teilmengen mit unterschiedlichen Altersbereichen verbessern sich die Leistungskennzahlen mit zunehmender Stichprobengröße. Die Leistungskennzahlen variieren außerdem abhängig von der Vorhersagevarianz sowie der Altersdifferenz zwischen Trainings- und Testdatensätzen, und altersbereinigte Kennzahlen weisen eine hohe Genauigkeit auf – auch für Modelle, die anfangs eine schwache Leistung zeigen. Zusammenfassend hängen die zur Bewertung von Altersvorhersagemodellen verwendeten Leistungskennzahlen von kohorten- und studienspezifischen Datenmerkmalen ab und können nicht direkt zwischen verschiedenen Studien verglichen werden. Da altersbereinigte Kennzahlen im Allgemeinen eine hohe Genauigkeit anzeigen, selbst für schlecht abschneidende Modelle, liefert die Inspektion der unbereinigten Modellergebnisse wichtige Informationen über zugrunde liegende Modelleigenschaften wie Vorhersagevarianz.