检索历史 清除

摘要基于磁共振图像的人脑发育和老化研究是神经科学领域的热点研究问题。前人的研究表明，人脑结构及功能均随发育及老化有明显改变。这一结论提示我们，可以基于磁共振图像，结合机器学习方法，对个体脑龄进行预测。另有研究表明，特定神经精神疾病患者的脑龄与其生理年龄之间存在明显偏差。因此，研究人员认为个体脑龄预测可客观评估个体发育及老化水平，对特定神经精神疾病的辅助诊断具有重要价值，如阿尔兹海默病及注意缺陷多动障碍等。<br>　　本研究基于多模态磁共振图像提取的脑结构及功能信息，结合半监督协同回归、弹性网及随机森林等机器学习算法，进行个体脑龄预测。具体研究工作如下:<br>　　(1)基于静态脑网络特征的成人脑龄预测研究。基于73名30-85岁的成人样本的弥散张量图像(DTI)及功能磁共振图像(fMRI)，分别提取了各向异性分数(FA)和功能连接(RSFC)作为特征，串联FA值与RSFC，结合协同训练算法构建脑龄预测模型。实验结果表明，基于静态脑网络特征可达到较好的脑龄预测结果:预测年龄与生理年龄的相关系数R=0.78（平均绝对误差MAE=8.39岁）。最优预测中，FA值特征贡献度大于RSFC特征，这可能说明FA值较RSFC对脑老化更具特异性。<br>　　(2)基于动态脑网络特征的成人脑龄预测研究。基于117名30-85岁成人样本的fMRI图像，提取动态功能连接的波动均值(Mean)和波动强度均值(Mean-Abs)作为特征，结合弹性网及随机森林构建脑龄预测模型。实验结果表明，基于Mean特征所构建模型效果（弹性网:R=0.53，MAE=13.07岁;随机森林:R=0.58，MAE=12.62岁）稍优于基于Mean-Abs特征所构建的脑龄预测模型（弹性网:R=0.46，MAE=13.87岁;随机森林:R=0.56，MAE=13.32岁）。总体而言，基于静态脑网络特征的脑龄预测效果较基于动态脑网络特征的脑龄预测效果要好，这可能源于动态脑网络特征较静态脑网络特征（尤其是结构特征）更具随机性，因而特征提取中的随机噪声更大。<br>　　(3)基于脑结构特征的脑龄预测研究。基于706名7-22岁儿童、青少年样本的脑结构图像(sMRI)，提取脑灰质密度特征，结合随机森林方法构建脑龄预测模型。实验结果表明，基于脑灰质密度特征可以达到对个体脑龄很好的预测(R=0.82，MAE=1.59岁)。这一结果提示，脑灰质密度对于脑发育更为敏感，可能是脑龄预测更为有效的特征参数。<br>　　综上，本研究基于人脑的DTI、fMRI和MRI图像，结合半监督协同回归、弹性网及随机森林等机器学习算法，对成人及儿童脑龄进行预测。实验结果表明，人脑结构特征（灰质密度和FA值）较脑功能特征（RSFC和动态功能连接）对脑龄预测更为有效。本研究的创新性在于:1）率先将协同训练应用于多模态脑影像特征的融合;2）率先基于人脑功能网络动态特征开展脑龄预测研究。