[论文解读] Estimating brain age based on a healthy population with deep learning and structural MRI

Xinyang Feng, Zachary C. Lipton+3 more|arXiv (Cornell University)|Jul 1, 2019

Functional Brain Connectivity Studies参考文献 37被引用 5

一句话总结

本研究提出了一种深度学习模型，利用来自大规模、多样化且年龄分布均匀的健康人群（N = 10,158，年龄18–97岁）的T1加权结构磁共振成像（MRI）估算脑龄。通过在ADNI、AIBL、FTLDNI及其他来源的多中心数据上进行训练，该模型实现了最先进的准确度（平均绝对误差MAE = 4.06年，相关系数r = 0.970），并揭示了额叶主导性及随生命周期变化的脑龄预测模式。

ABSTRACT

Numerous studies have established that estimated brain age, as derived from statistical models trained on healthy populations, constitutes a valuable biomarker that is predictive of cognitive decline and various neurological diseases. In this work, we curate a large-scale heterogeneous dataset (N = 10,158, age range 18 - 97) of structural brain MRIs in a healthy population from multiple publicly-available sources, upon which we train a deep learning model for brain age estimation. The availability of the large-scale dataset enables a more uniform age distribution across adult life-span for effective age estimation with no bias toward certain age groups. We demonstrate that the age estimation accuracy, evaluated with mean absolute error (MAE) and correlation coefficient (r), outperforms previously reported methods in both a hold-out test set reflective of the custom population (MAE = 4.06 years, r = 0.970) and an independent life-span evaluation dataset (MAE = 4.21 years, r = 0.960) on which a previous study has evaluated. We further demonstrate the utility of the estimated age in life-span aging analysis of cognitive functions. Furthermore, we conduct extensive ablation tests and employ feature-attribution techniques to analyze which regions contribute the most predictive value, demonstrating the prominence of the frontal lobe as well as pattern shift across life-span. In summary, we achieve superior age estimation performance confirming the efficacy of deep learning and the added utility of training with data both in larger number and more uniformly distributed than in previous studies. We demonstrate the regional contribution to our brain age predictions through multiple routes and confirm the association of divergence between estimated and chronological brain age with neuropsychological measures.

研究动机与目标

• 开发一种在大规模、多样化且年龄分布均匀的健康人群上训练的鲁棒脑龄估算模型。
• 通过利用多中心、公开获取的结构磁共振成像数据集并最大限度减少年龄组偏差，提升估算准确度。
• 使用可解释人工智能技术探究脑区对脑龄预测的贡献。
• 验证模型在检测正常衰老偏离及与认知功能关联方面的实用性。
• 为衰老及神经退行性疾病研究提供一个公开可用的高精度脑龄估算工具。

提出的方法

• 整合来自多个公开神经影像数据集（ADNI、AIBL、FTLDNI、PPMI、Cam-CAN、SchizConnect）的T1加权结构磁共振成像扫描，构建一个大规模、异质性的健康队列。
• 在原始T1w MRI体积上端到端训练一个深度卷积神经网络（CNN），以预测出生年龄。
• 采用数据增强和归一化技术，确保多中心采集数据的一致性。
• 使用LRP（逐层重要性传播）及其他特征归因方法，解释模型预测结果，并识别具有高预测重要性的脑区。
• 在保留测试集和独立的全生命周期评估数据集上评估模型性能，以确保泛化能力。
• 开展消融研究，评估数据分布、模型架构和数据源对性能的影响。

实验结果

研究问题

• RQ1 在大规模、多样化且年龄分布均匀的健康人群上训练的深度学习模型，是否能相比以往方法实现更优的脑龄估算准确度？
• RQ2 哪些脑区对脑龄预测贡献最大，且这些贡献如何随成年生命周期变化？
• RQ3 估算脑龄与实际出生年龄之间的偏差，与认知功能及神经心理学指标的相关性如何？
• RQ4 在更全面且平衡的数据集上进行训练，是否能提升模型泛化能力并减少年龄组偏差？
• RQ5 不同神经影像数据源在模型性能和可解释性方面，贡献程度如何？

主要发现

• 在保留测试集上，该模型实现了4.06年的平均绝对误差（MAE）和0.970的相关系数（r），优于以往报告的方法。
• 在独立的全生命周期评估数据集上，该模型实现了4.21年的MAE和r = 0.960，证实了其在多样化人群中的强大泛化能力。
• 额叶被确定为最具预测力的脑区，特征归因分析突显了其在年龄估算中的核心作用。
• 模型揭示了脑龄预测模式随生命周期动态演变，不同脑区在不同年龄阶段贡献更大。
• 估算脑龄与实际出生年龄的偏差与认知功能指标之间存在显著关联。
• 消融研究证实，数据多样性与均匀的年龄分布是提升性能和减少偏差的关键因素。