Key points are not available for this paper at this time.
Die Vorhersage des Hirnalters unter Verwendung von Machine-Learning-Techniken hat in letzter Zeit zunehmend Aufmerksamkeit auf sich gezogen, da sie das Potenzial hat, als Biomarker zur Charakterisierung der typischen Gehirnentwicklung und neuropsychiatrischer Störungen zu dienen. Ein langanhaltendes Problem ist jedoch, dass das vorhergesagte Hirnalter bei jüngeren Probanden überschätzt und bei älteren unterschätzt wird. Es gibt eine Fülle von Behauptungen über die Ursprünge dieser Verzerrung, sowohl methodologisch als auch in den Daten selbst. Mit einem großen neuroanatomischen Datensatz (N = 2.026; 6-89 Jahre alt) aus mehreren gemeinsamen Datensätzen zeigen wir, dass diese Verzerrung weder datenabhängig noch spezifisch für bestimmte Methoden, einschließlich tiefer neuronaler Netze, ist. Wir präsentieren eine alternative Erklärung, die eine statistische Erklärung für die Verzerrung bietet und beschreiben eine einfache, aber effiziente Methode unter Verwendung eines allgemeinen linearen Modells zur Anpassung der Verzerrung. Wir demonstrieren die Wirksamkeit der Verzerrungsanpassung mit einem großen multimodalen neuroimaging Datensatz (N = 804; 8-21 Jahre alt) für sowohl gesunde Kontrollen als auch Patienten mit posttraumatischen Belastungsstörungen aus der Philadelphia Neurodevelopmental Cohort.
Liang et al. (Do,) studierten diese Frage.