Прогнозирование когнитивных способностей с помощью сканирования мозга
Прогнозирование когнитивных способностей с помощью визуализации мозга уже давно является центральной целью когнитивной нейронауки. Хотя машинное обучение немного улучшило прогнозы с использованием данных МРТ мозга, большинство исследований полагаются на одну модальность МРТ.
Опубликовано в PNAS Nexus , Нарун Пат и коллеги интегрировали несколько модальностей МРТ с помощью техники, называемой стекированием. Метод объединяет структурную МРТ (например, толщину коры), состояние покоя и функциональную связность на основе задачи, а также контрасты, зависящие от уровня кислорода в крови (BOLD), вызванные задачей, для создания более надежного нейронного маркера когнитивной функции.
Авторы проанализировали данные 2131 участника в возрасте от 22 до 100 лет из трех крупномасштабных наборов данных МРТ в США и Новой Зеландии. В трех наборах данных последовательное и значительное улучшение прогнозов результатов когнитивных тестов, собранных вне сканера, при помощи стекирования. Чтобы оценить, может ли стекирование захватить стабильные когнитивные черты, авторы применили метод к многопрофильному исследованию здоровья и развития Данидина.
Используя визуализацию мозга в возрасте 45 лет, модель предсказала когнитивные баллы детей (возраст 7, 9 и 11 лет) с корреляцией Пирсона 0,52, что указывает на существенную степень точности прогнозирования. Стекинг также решил серьезную проблему в моделях на основе МРТ: надежность повторного тестирования — стабильность индивидуальных рейтингов с течением времени. Улучшенная согласованность предполагает, что стекинг позволяет данным МРТ более надежно фиксировать устойчивые индивидуальные различия в когнитивных способностях, чем модели, использующие одну модальность МРТ.
Важность признаков наиболее эффективных нестекинговых моделей с Elastic Net, как указано коэффициентами Elastic Net. Мы сгруппировали мозговые ROI из атласа Glasser (67) в 13 сетей на основе мозговых сетей Cole-Anticevic (66). На каждом рисунке сети ранжированы по средним коэффициентам Elastic Net, а рейтинги показаны справа от каждого рисунка. Иллюстрация разбиения сети взята из Actflow Toolbox https://colelab.github.io/ActflowToolbox/. Мы приводим фактические значения важности признаков в таблицах S1–S10. Кредит: PNAS Nexus (2025). DOI: 10.1093/pnasnexus/pgaf175
Наконец, исследователи оценили обобщаемость стекирования путем обучения на одном наборе данных и тестирования на отдельном, независимом наборе данных. Из-за различий в протоколах задач авторы не смогли включить несколько ключевых модальностей МРТ — в частности, вызванные задачей контрасты BOLD.
Тем не менее, модель достигла предсказательной производительности выше шанса с корреляцией Пирсона 0,25. Хотя это было ниже, чем производительность в пределах набора данных , корреляция, тем не менее, продемонстрировала значимую степень применимости к кросс-выборке.
По словам авторов, исследование устанавливает ценный ориентир для того, как стекирование может усилить использование МРТ головного мозга в качестве надежного и надежного нейронного маркера когнитивной функции.