基于深度大脑网络和全球名被试进

文献汇报

正常大脑老化以及与大脑疾病相关的各种神经病理过程可以信号的方式在MRI(核磁共振成像)图像上体现出来，而深度学习已经成为捕获这些成像信号的一种强有力的方法。目前，基于MRI图像得出的大脑年龄已经被用作评估大脑健康的综合生物标志物，表现出病理性或非典型脑发育和衰老模式的个体可以通过与典型脑年龄轨迹的正偏差或负偏差来识别。此外，各种大脑疾病的成像特征，包括精神分裂症和阿尔茨海默症，也已经通过机器学习的方法被识别出来。但在先前的研究中，研究人员虽然成功地将机器学习的方法应用到了神经成像中，但这些方法并不是普遍适用的，也不容易在实践中采用。其原因是，这些方法需要专业且复杂的预处理步骤，而且在不同的扫描仪、不同的被试及不同的MRI采集协议之下所获得的图像中，这些方法所获得的结果很难被重复。而深度学习作为一种强大的机器学习方法的出现，为超越这些限制提供了巨大的希望。

本文作者在此研究中基于卷积神经网络构建了一个深度大脑网络——DeepBrainNet。作者使用了来自不同研究、不同扫描仪、不同年龄和不同地理位置的高度多样化的队列(n=)中的大量MRI图像对此网络进行了训练和测试。为了验证此网络的稳定性，作者分别以性别、年龄为分类依据，对原始数据进行了分类，并将分类的数据分别用于构建比较所用的模型。作者还构建了加入额外图像预处理步骤的模型。构建模型时均使用与DeepBrainNet完全相同的训练方法。此外，作者还用了一个由名被试组成的独立样本对此网络进行测试。作者将新构建的模型与DeepBrainNet进行比较，发现性别、年龄以及是否进行了额外的图像预处理对DeepBrainNet预测的脑龄结果并没有显著的影响，而且在独立样本的测试中DeepBrainNet也显示出了较好的预测性能。因此作者得出这样的结论，在使用最小的图像预处理步骤时，DeepBrainNet就可以较为稳定地预测不同数据集中的被试的脑龄，并在多站点中具有较好的泛化性。

在DeepBrainNet的基础上，作者利用迁移学习的方法构建了四种脑相关疾病的疾病分类器，这些疾病分别是阿尔茨海默症、精神分裂症、轻度认知功能障碍和抑郁症。作者在这四种疾病分类器中，通过对训练轮数(epoch)的控制，构建了松散拟合、中度拟合与强拟合三种不同拟合程度的模型，并在每种疾病分类器中对这三种模型进行比较。实验结果表明，中度拟合的脑老化模型可以更好地识别出具有病理特征的个体。此外，利用这些疾病相关的数据集，作者还证明了利用DeepBrainNet作为初始网络结合迁移学习，与使用直接训练患者与健康对照数据集所获得的初始网络或与使用常见的成像数据库(如ImageNet)训练出的网络作为初始网络相比，可以构建更准确的疾病分类器。因此，作者认为使用特定领域的深度网络进行疾病分类器的构建是优于使用通用深度学习网络的。

文献信息

BashyamVM,ErusG,DoshiJ,etal.MRIsignaturesofbrainageanddiseaseoverthelifespanbasedonadeepbrainnetworkand14?individualsworldwide.Brain.Jul1;(7):-.doi:10./brain/awaa.PMID:;PMCID:PMC.

扫码