BrainAGE: Flujo de trabajo de aprendizaje automático revisitado y reestructurado

Resumen Desde la introducción del método BrainAGE, han seguido surgiendo nuevos métodos de aprendizaje automático para la predicción de la edad cerebral. La idea de estimar la edad cronológica a partir de imágenes de resonancia magnética ha demostrado ser un campo de investigación interesante debido a la relativa simplicidad de su interpretación y su potencial uso como biomarcador de salud cerebral. Revisamos nuestro enfoque anterior de BrainAGE, que originalmente utilizaba regresión por vectores de relevancia (RVR), y lo sustituimos por regresión de procesos gaussianos (GPR), que permite un procesamiento más estable de conjuntos de datos más grandes, como el Biobanco del Reino Unido (UKB). Además, extendimos el enfoque global de BrainAGE a BrainAGE regional, proporcionando puntuaciones espacialmente específicas para cinco lóbulos cerebrales por hemisferio. Probamos el rendimiento de los nuevos algoritmos bajo varias condiciones diferentes e investigamos su validez en las muestras de ADNI y esquizofrenia, así como en un conjunto de datos sintético de adelgazamiento neocortical. Los resultados muestran un rendimiento mejorado del modelo global reestructurado en la muestra de UKB con un error absoluto medio (MAE) de menos de 2 años y una diferencia significativa en BrainAGE entre participantes sanos y pacientes con enfermedad de Alzheimer y esquizofrenia. Además, el funcionamiento del algoritmo muestra efectos significativos para un conjunto de datos simulado de atrofia neocortical. El modelo regional de BrainAGE funcionó bien en dos muestras clínicas, mostrando patrones específicos de enfermedad para diferentes niveles de discapacidad. Los resultados demuestran que los nuevos algoritmos mejorados proporcionan estimaciones de edad cerebral fiables y válidas.