[论文解读] From Group-Differences to Single-Subject Probability: Conformal Prediction-based Uncertainty Estimation for Brain-Age Modeling

Jan Ernsting, Nils R. Winter+14 more|arXiv (Cornell University)|Feb 10, 2023

Health, Environment, Cognitive AgingEnvironmental Science被引用 3

一句话总结

本文提出了一种基于合谋预测的脑龄建模不确定性估计框架，可将群体水平的差异转化为统计上有效的单个受试者的加速脑衰老概率估计。通过将不确定性感知的深度神经网络与合谋预测相结合，该方法为个体预测提供了有效的统计覆盖，并且与阿尔茨海默病、双相情感障碍和重度抑郁障碍的关联性优于当前最先进的模型。

ABSTRACT

The brain-age gap is one of the most investigated risk markers for brain changes across disorders. While the field is progressing towards large-scale models, recently incorporating uncertainty estimates, no model to date provides the single-subject risk assessment capability essential for clinical application. In order to enable the clinical use of brain-age as a biomarker, we here combine uncertainty-aware deep Neural Networks with conformal prediction theory. This approach provides statistical guarantees with respect to single-subject uncertainty estimates and allows for the calculation of an individual's probability for accelerated brain-aging. Building on this, we show empirically in a sample of N=16,794 participants that 1. a lower or comparable error as state-of-the-art, large-scale brain-age models, 2. the statistical guarantees regarding single-subject uncertainty estimation indeed hold for every participant, and 3. that the higher individual probabilities of accelerated brain-aging derived from our model are associated with Alzheimer's Disease, Bipolar Disorder and Major Depressive Disorder.

研究动机与目标

• 通过提供个体水平的不确定性估计，实现脑龄作为生物标志物的临床转化。
• 解决在脑龄差值预测的单个受试者风险评估中缺乏统计保证的问题。
• 弥合群体水平脑龄差异与个体化加速脑衰老概率之间的差距。
• 在大规模队列（N=16,794）上验证该方法，并证明其与神经精神疾病的相关性。

提出的方法

• 该方法将不确定性感知的深度神经网络与合谋预测理论相结合，生成具有有限样本统计覆盖的预测区间。
• 将合谋预测应用于深度神经网络的输出，以生成对所有个体均保证误差率的预测集合。
• 该方法将回归输出转化为关于每个受试者加速脑衰老可能性的概率性陈述。
• 使用显著性水平 α 定义预测集合，确保对于每个个体，真实脑龄差值落在该集合中的概率至少为 1−α。
• 该方法在来自 NAKO 队列的大规模神经影像数据集上进行训练和评估，确保鲁棒性和泛化能力。
• 最终输出包括从合谋预测区间推导出的个体加速脑衰老概率，从而实现临床风险分层。

实验结果

研究问题

• RQ1 合谋预测能否为脑龄建模中的单个受试者不确定性估计提供有效的统计覆盖？
• RQ2 所提出的方法能否生成具有临床可解释性的个体化加速脑衰老概率？
• RQ3 模型生成的更高个体加速脑衰老概率是否与阿尔茨海默病、双相情感障碍和重度抑郁障碍显著相关？
• RQ4 该方法在保持与当前最先进的大规模脑龄模型相当的回归性能的同时，是否实现了不确定性量化？

主要发现

• 在包含 16,794 名参与者的队列中，该模型的回归误差低于或与当前最先进的大规模脑龄模型相当。
• 该方法为单个受试者不确定性估计提供了有效的统计覆盖，预测区间在指定显著性水平下包含了每个参与者的真正脑龄差值。
• 从模型推导出的个体加速脑衰老概率在阿尔茨海默病、双相情感障碍和重度抑郁障碍患者中显著更高。
• 该模型的不确定性估计具有良好校准性，并在队列内的多样化子群体中保持统计有效性。