BrainAGE : Workflow de machine learning revisité et recadré

Résumé Depuis l'introduction de la méthode BrainAGE, de nouvelles méthodes de machine learning pour la prédiction de l'âge cérébral ont continué à émerger. L'idée d'estimer l'âge chronologique à partir d'images par résonance magnétique s'est révélée être un domaine de recherche intéressant en raison de la relative simplicité de son interprétation et de son utilisation potentielle comme biomarqueur de la santé cérébrale. Nous avons révisé notre précédente approche BrainAGE, utilisant initialement la régression par vecteurs de pertinence (RVR), et l'avons substituée par la régression par processus gaussien (GPR), qui permet un traitement plus stable de jeux de données plus importants, tels que le UK Biobank (UKB). De plus, nous avons étendu l'approche BrainAGE globale à BrainAGE régional, fournissant des scores spatialement spécifiques pour cinq lobes cérébraux par hémisphère. Nous avons testé la performance des nouveaux algorithmes sous plusieurs conditions différentes et avons examiné leur validité sur les échantillons ADNI et schizophrénie, ainsi que sur un jeu de données synthétique de rétrécissement néocortical. Les résultats montrent une performance améliorée du modèle global recadré sur l'échantillon UKB avec une erreur absolue moyenne (EAM) de moins de 2 ans et une différence significative dans BrainAGE entre les participants en bonne santé et les patients atteints de la maladie d'Alzheimer et de schizophrénie. De plus, le fonctionnement de l'algorithme montre des effets significatifs pour un ensemble de données simulées d'atrophie néocorticale. Le modèle BrainAGE régional a bien performé sur deux échantillons cliniques, montrant des motifs spécifiques à la maladie pour différents niveaux de déficience. Les résultats démontrent que les nouveaux algorithmes améliorés fournissent des estimations fiables et valides de l'âge cérébral.