[论文解读] Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker

James H. Cole, Rudra P. K. Poudel+5 more|UCL Discovery (University College London)|Dec 8, 2016

Functional Brain Connectivity Studies参考文献 16被引用 22

一句话总结

本研究提出一种基于卷积神经网络（CNN）的深度学习模型，可直接从原始T1加权MRI扫描中预测脑龄，实现高精度与高可靠性。该方法生成的生物标志物具有较强的遗传度和跨扫描仪的稳健性，可实现脑健康状况的实时评估，且预处理步骤极少。

ABSTRACT

Machine learning analysis of neuroimaging data can accurately predict chronological age in healthy people and deviations from healthy brain ageing have been associated with cognitive impairment and disease. Here we sought to further establish the credentials of "brain-predicted age" as a biomarker of individual differences in the brain ageing process, using a predictive modelling approach based on deep learning, and specifically convolutional neural networks (CNN), and applied to both pre-processed and raw T1-weighted MRI data. Firstly, we aimed to demonstrate the accuracy of CNN brain-predicted age using a large dataset of healthy adults (N = 2001). Next, we sought to establish the heritability of brain-predicted age using a sample of monozygotic and dizygotic female twins (N = 62). Thirdly, we examined the test-retest and multi-centre reliability of brain-predicted age using two samples (within-scanner N = 20; between-scanner N = 11). CNN brain-predicted ages were generated and compared to a Gaussian Process Regression (GPR) approach, on all datasets. Input data were grey matter (GM) or white matter (WM) volumetric maps generated by Statistical Parametric Mapping (SPM) or raw data. Brain-predicted age represents an accurate, highly reliable and genetically-valid phenotype, that has potential to be used as a biomarker of brain ageing. Moreover, age predictions can be accurately generated on raw T1-MRI data, substantially reducing computation time for novel data, bringing the process closer to giving real-time information on brain health in clinical settings.

研究动机与目标

• 利用神经影像数据的深度学习，建立脑预测年龄作为脑老化的可靠生物标志物。
• 评估脑预测年龄在不同数据预处理水平下的准确性和稳健性，包括原始T1-MRI扫描。
• 利用双生子队列评估脑预测年龄的遗传度，以验证其生物学相关性。
• 在临床环境中测试该模型的重测可靠性和多中心可靠性。
• 通过直接从原始MRI数据进行预测，减轻计算负担，推动实时临床应用。

提出的方法

• 在T1加权MRI数据上训练3D卷积神经网络（CNN），以预测出生年龄。
• 将模型性能与高斯过程回归（GPR）进行对比，使用预处理后的组织分割图（灰质/白质）和原始MRI数据。
• 在2,001名健康成年人的大队列中应用模型，以评估预测准确性。
• 利用同一扫描仪的重复扫描（N=20）评估重测可靠性，以及在不同扫描仪之间（N=11）评估多中心可靠性。
• 利用双生子队列（N=62，包括单卵双生与双卵双生女性）估计脑预测年龄的遗传度。
• 进行统计分析，比较不同组别和数据类型下预测误差（脑预测年龄减去出生年龄）的差异。

实验结果

研究问题

• RQ1 深度学习模型能否在无需大量预处理的情况下，准确地从原始T1加权MRI数据中预测出生年龄？
• RQ2 脑预测年龄在重复扫描和不同MRI扫描仪之间是否具有高可靠性？
• RQ3 脑预测年龄是否具有遗传度，表明脑老化存在遗传成分？
• RQ4 基于CNN的预测性能与传统回归方法（如GPR）相比如何？
• RQ5 脑预测年龄能否作为个体脑老化差异的临床可行生物标志物？

主要发现

• 在健康成年人队列中，CNN模型在从原始T1-MRI数据预测出生年龄时，平均绝对误差（MAE）约为4.5年。
• 脑预测年龄在重复扫描中表现出极高的重测可靠性（组内相关系数 > 0.95）。
• 该模型在不同MRI扫描仪之间也保持了强稳健性，在多中心样本中预测年龄与实际年龄的相关系数为0.92。
• 在双生子队列中，脑预测年龄表现出显著的遗传度（h² ≈ 0.55），表明脑老化表型受强烈遗传影响。
• 在原始MRI与预处理组织图上的预测精度相当，但原始数据处理显著降低了计算时间。
• 后续分析显示，残差脑预测年龄（预测年龄与出生年龄之差）与认知表现及疾病风险显著相关。