Die Leistungsfähigkeit von Ensemble-Techniken zur Vorhersage des Gehirnalters mithilfe von Machine Learning Modellen

Zusammenfassung: Das Altern hat einen tiefgreifenden Einfluss auf die Gehirnstruktur und -funktion, was zu kognitivem Rückgang und einer erhöhten Anfälligkeit für neurodegenerative Erkrankungen führt. Der Gehirnaltersgap wird definiert als der Unterschied zwischen dem geschätzten Gehirnalter eines Individuums und seinem tatsächlichen Alter, was als potenzieller Marker der allgemeinen Gehirngesundheit angesehen wird und strukturelle Anomalien anzeigen kann. In dieser Arbeit werden Machine Learning Modelle verwendet, um das Gehirnalter basierend auf Bildgebungsdaten des Gehirns aus vier prominenten Datenbanken, nämlich dem IXI-Datensatz, Calgary Campinas, Sparse Linear Method und Sign Agnostic Learning with Derivatives, zu schätzen. Diese Arbeit basiert auf fünf Regressionsmodellen wie XGBoost (Extreme Gradient Boosting), Support Vector Regression (SVR), Gradient Boosting Regression (GBR), Random Forest Regression (RFR) und K-Nearest Neighbors (KNN) Regression, und berücksichtigt auch Ensemble-Modelle wie Stacking, Bagging und Boosting. Der Datensatz enthält T1-gewichtete Magnetresonanztomographie (MRT) Bilder von über 1800 Patienten, und etwa 143 Merkmale wurden mit dem zuverlässigen Tool FreeSurfer (6.0) extrahiert. In dieser Studie wurde eine umfangreiche Analyse unter Verwendung von Grid-Suche und Kreuzvalidierung durchgeführt, um die Modelle zu trainieren und die Hyperparameter zu optimieren, um Überanpassung zu vermeiden. Die Ergebnisse zeigen, dass ein gestapeltes Ensemble-Modell von SVR und XGBoost die anderen Modelle übertraf, mit einem mittleren absoluten Fehler (MAE) von 4,65 und einem R2-Wert von 0,92 im Trainingsdatensatz sowie 6,62 und 0,85 im Testdatensatz. Die Validierungsergebnisse deuten darauf hin, dass Regressionsmodelle und Ensemble-Techniken zur Vorhersage des Gehirnalters eine leistungsstarke Kombination aus Interpretierbarkeit, Genauigkeit und Robustheit bieten.