[论文解读] Deep Learning for Brain Age Estimation: A Systematic Review

M. Tanveer, M. A. Ganaie+8 more|arXiv (Cornell University)|Dec 7, 2022

Functional Brain Connectivity Studies被引用 7

一句话总结

本篇系统性综述综合分析了基于神经影像数据进行脑龄估算的深度学习方法，分析了各类模型架构、框架及其在不同研究中的性能表现。研究识别出关键趋势，评估了模型的鲁棒性、不确定性与可解释性，并提出了未来临床应用的研究方向。

ABSTRACT

Over the years, Machine Learning models have been successfully employed on neuroimaging data for accurately predicting brain age. Deviations from the healthy brain aging pattern are associated to the accelerated brain aging and brain abnormalities. Hence, efficient and accurate diagnosis techniques are required for eliciting accurate brain age estimations. Several contributions have been reported in the past for this purpose, resorting to different data-driven modeling methods. Recently, deep neural networks (also referred to as deep learning) have become prevalent in manifold neuroimaging studies, including brain age estimation. In this review, we offer a comprehensive analysis of the literature related to the adoption of deep learning for brain age estimation with neuroimaging data. We detail and analyze different deep learning architectures used for this application, pausing at research works published to date quantitatively exploring their application. We also examine different brain age estimation frameworks, comparatively exposing their advantages and weaknesses. Finally, the review concludes with an outlook towards future directions that should be followed by prospective studies. The ultimate goal of this paper is to establish a common and informed reference for newcomers and experienced researchers willing to approach brain age estimation by using deep learning models

研究动机与目标

• 提供对基于神经影像数据的深度学习在脑龄估算中应用的全面、系统性分析。
• 评估用于脑龄预测的各种深度学习架构与框架的优势与局限性。
• 探讨不确定性估计与模型可解释性在提升脑龄模型临床可信度方面的作用。
• 识别研究空白，并提出未来研究方向，以提升基于深度学习的脑龄估算在准确性、鲁棒性与临床适用性方面的表现。
• 为该领域的新手及资深研究人员提供基础参考文献。

提出的方法

• 对基于神经影像（主要为MRI）进行脑龄估算的深度学习相关同行评审研究开展系统性文献综述。
• 根据设计与性能对深度学习架构（如3D卷积神经网络、自编码器、残差网络、Transformer）进行分类与分析。
• 采用监督回归框架，基于健康受试者的数据进行训练，并在独立数据上进行测试，评估脑龄估算框架。
• 评估蒙特卡洛丢弃、证据深度学习与预测区间等不确定性估计技术，以量化模型置信度。
• 回顾事后可解释性方法（如LIME与SHAP），用于解释模型预测结果并识别与年龄相关的关键脑区。
• 提出一种分类体系，依据模型架构、数据模态、性能指标与临床相关性对文献进行组织。

实验结果

研究问题

• RQ1 哪些深度学习架构在脑龄估算中最为有效？它们在性能与泛化能力方面如何比较？
• RQ2 不确定性估计技术在多大程度上提升了脑龄预测的可靠性与临床可用性？
• RQ3 可解释性方法在多大程度上增强了深度学习模型在脑龄估算中的透明度与可信度？
• RQ4 当前基于深度学习的脑龄估算框架中存在哪些关键局限性与偏差？
• RQ5 为推动深度学习模型在脑龄估算中的临床转化，未来需要哪些研究方向？

主要发现

• 深度学习模型，特别是3D卷积神经网络与残差网络，在脑龄估算的准确性方面持续优于传统机器学习方法。
• 蒙特卡洛丢弃与证据深度学习等不确定性估计技术显著提升了模型的可靠性，通过为预测结果提供置信区间。
• 事后可解释性方法（如LIME与SHAP）已成功应用于识别对年龄预测最具影响力的脑区，为脑衰老潜在生物标志物提供支持。
• 尽管性能优异，许多模型仍缺乏可解释性与不确定性量化，限制了其临床采纳。
• 大量研究使用小样本、非代表性数据集，引发对模型泛化能力与偏差的担忧。
• 未来研究应优先关注模型透明度、不确定性量化，并与临床决策支持系统整合，以提升实际应用价值。