基于脑影像的认知预测模型效应量:全生命周期视角下的系统综述

《Communications Psychology》:Effect sizes for brain-based predictive models of cognition across the lifespan

【字体: 大 中 小 】 时间:2026年10月21日 来源:Communications Psychology 6.4

编辑推荐:

  : 基于脑影像的预测模型为理解全生命周期中个体间认知功能差异提供了一种有前景的研究途径。本综述整合了基于大规模数据集开展脑认知预测的现有文献,系统考察了方法学选择及数据相关因素对模型性能的影响。研究发现,基于脑影像的认知预测模型在全生命周期中表现出相对一致但范

  
: 基于脑影像的预测模型为理解全生命周期中个体间认知功能差异提供了一种有前景的研究途径。本综述整合了基于大规模数据集开展脑认知预测的现有文献,系统考察了方法学选择及数据相关因素对模型性能的影响。研究发现,基于脑影像的认知预测模型在全生命周期中表现出相对一致但范围较宽的预测性能,可解释认知能力约10%–40%的方差。主要发现包括:(1)预测一般认知能力(general cognitive ability)时模型性能优于预测特定认知功能;(2)晶体能力(crystallized abilities)的可预测性高于流体能力(fluid abilities);(3)在年轻人群中,任务态功能连接(task-based functional connectivity)通常优于静息态方法,而结构测量在老年人群中成为更优的预测指标;(4)采用层级堆叠模型(hierarchical stacked models)的多模态方法可优化预测精度;(5)弹性网络(elastic net)和岭回归(ridge regression)在预测性能与计算效率之间提供了最佳平衡。综上所述,研究人员提出方法学改进建议,以提升基于脑影像的认知预测的精确性与实用性。
论文主体内容总结:
基于脑影像的预测建模
预测性能/效应量指标
机器学习模型通过性能指标评估预测精度,这些指标可被解释为反映脑-认知关联强度的效应量(effect sizes)。性能评估指标取决于预测类型:分类任务常用准确率(accuracy)、受试者工作特征曲线下面积(area under the receiver operating characteristic curve, ROC)和F1分数;回归任务通常报告决定系数(coefficient of determination, R2)、均方根误差(root mean squared error, RMSE)和平均绝对误差(mean absolute error, MAE)。通常建议报告多个指标,因各指标捕捉模型性能的不同方面。交叉验证(cross-validation)是估计模型精度并防止过拟合的标准框架。在可能情况下,模型应在独立数据集上进行外部验证(external validation)以证明泛化性与可重复性。除效应量外,特征重要性(feature importance)可用于检验各特征对预测的贡献,为与认知相关的特定脑区或网络提供具有生物学意义的见解。本综述聚焦于模型效应量而非特征重要性。
全生命周期中的大脑与认知
衰老与认知、脑结构和脑功能的变化相关。总体而言,全生命周期中的认知功能遵循倒U型曲线:儿童期和青春期快速发展,成年期达到峰值,随后随年龄增长而下降。然而,不同认知功能的发展和衰退速率各异。晶体认知在整个生命周期中持续改善,在中晚年达到峰值;流体认知则较早达到峰值,并从成年早期至中期开始衰退。脑发育研究显示,全局灰质体积在生命第一个十年内达到峰值,皮层下灰质体积在青春期中期达到峰值,白质体积在成年早期达到峰值。功能连接也表现出网络特异性的发育时间线:感觉运动网络在围产期成熟,高阶网络(默认模式和额顶网络)在童年中期达到成人样组织,并在青春期和成年早期持续精细化。尽管对这些规范性发育轨迹已有认识,个体在发育和衰老的时间、速率及轨迹形态上存在显著异质性,这凸显了基于脑影像的预测模型在个体层面理解认知变化的重要性。
模型性能在全生命周期中总体一致
预测青少年(8–21岁)认知的模型可解释一般认知能力11%–39%的方差。成人样本(22–37岁)中的模型性能变异较大,从不足1%到36%不等,取决于认知领域、神经影像模态和分析方法。预测老年队列(55–89岁)认知的横断面模型可解释约5%–40%的方差。纵向模型在1年(约11%–36%)、2年(约19%–28%)和3年(约20%–25%)的未来认知预测中捕捉到略有降低但仍可观的方差。在比较各发育阶段内的最优模型时,模型表现出相当的效能(36%–40%),表明在同一发育阶段内训练和测试的模型无论年龄组如何均可达到相似的预测精度。跨数据集评估泛化性时效应量较低,介于5%–11%之间。效应量降低可能主要由数据集固有差异驱动,而非年龄特异性方差。总体而言,这些研究证明了预测性能在全生命周期中的显著一致性,大多数模型可解释约10%–40%的认知方差。模型性能变异的主要来源在于方法学差异,如认知结局的特异性、所选神经影像特征以及机器学习算法的选择。
认知领域的选择影响模型性能
基于脑影像的预测模型通常以一般认知因子为目标,而预测特定认知能力时性能显著下降。在青少年中,模型预测一般认知能力(11%)显著优于特定任务,如学习与记忆(2%)或加工速度与灵活性(约1%)。晶体认知的效应量(38%)高于流体智力(26%)。成人类似趋势中,晶体智力通常比流体智力更易预测(约8%–23%对比约4%–11%)。阅读相关能力尤其可预测,解释方差达16%–22%,其次是注意和执行功能(11%–20%),而工作记忆和加工速度的可预测性最低(2%–4%)。然而,在老年人中,模型预测加工速度(17%–19%)比语义记忆或执行功能(7%–8%)更准确。一致的规律是:预测晶体能力的模型优于预测流体功能的模型。然而,加工速度是一个例外,在老年人中的可预测性高于青少年,这可能反映了与衰老相关的神经生物学变化和/或加工速度下降使这些关系更易被捕捉。
数据集考量
脑模态:结构与功能的效用
模型性能高度依赖于影像特征。弥散成像衍生指标通常产生最低性能(2%–10%),神经解剖学特征提供良好的预测力(4%–19%),功能连接提供最高的预测性能(19%–36%)。整合多种模态的模型也可提升性能,但结果不一。虽然结合任务态和静息态功能连接(19%–36%)优于弥散(3%–10%)和解剖特征(4%–6%),但整合功能与结构连接并未在功能连接单独使用的基础上提升性能。然而,结合任务态功能磁共振成像激活模式、静息态功能连接和结构磁共振成像可解释一般认知能力中远高于单一模态模型的方差(32%对比7%)。当组合多种模态时,堆叠方法(stacked approach)是最优的,因其提供改进的预测性能、更大的可解释性和降低的维度。
静息态与任务态功能连接
基于静息态功能连接的模型通常解释一般认知能力4%–10%的方差,使用较长扫描时可获得更高性能(20%)。结合静息态和任务态功能连接优于单独使用静息态预测一般认知能力(8%–10%对比4%–7%),且此优势在跨数据集验证中持续存在(10%对比6%)。任务态功能连接应优于静息态数据,因其反映大脑在主动认知加工中的参与。工作记忆任务中的任务态功能连接在成人和青少年中均优于静息态连接(约36%对比约28%;约25%对比约15%)。结合工作记忆、语言和关系加工任务的功能连接产生最高解释方差36%。认知要求更高的任务产生更准确的预测。用于推导功能连接的具体认知任务影响预测精度,最优任务选择因认知结局而异。虽然组合多个任务衍生的连接组通常提升预测性能,但单纯包含更多任务并不保证更高精度,最优组合因认知结局而异。
结构测量在老年队列中优于功能测量
在老年人群中,结构脑测量对认知性能的预测效用优于功能连接。基于静息态功能连接的模型在老年人(55–84岁)中未能达到充分的判别和预测能力。结构连接和灰质体积特征的模型通常优于静息态功能连接特征(5%–11%对比2%–4%)。结合海马和杏仁核体积特征及全脑体积的模型解释约20%–25%的一般认知性能。基于海马、内嗅皮层和侧脑室体积的结构磁共振成像模型解释基线和未来3年测量的20%–35%方差。代谢和病理标志物产生更精确的预测:氟脱氧葡萄糖正电子发射断层扫描(fluorodeoxyglucose Positron Emission Tomography, FDG-PET)葡萄糖代谢测量解释21%–40%方差,而淀粉样蛋白正电子发射断层扫描测量解释19%–25%方差。在衰老人群中,脑结构、葡萄糖代谢与年龄之间存在密切关联,年龄相关的结构退化很可能驱动了模型性能的改善。
跨神经影像模态的领域特异性模式
不同神经影像模态对特定认知功能表现出不同的预测优势。局部白质连接组测量对流体智力解释最高方差(约2.5%),皮层表面积与晶体智力(约4.5%)和空间定向(约2.2%)关联最强,而皮层下体积与冲动性关联最稳健(约0.5%)。n-back任务性能最好使用n-back任务期间收集的任务态功能连接预测(约20%–30%),但该方法的实用性存疑,因获取任务态功能连接本质上需要先完成任务,使后续行为预测变得冗余。创新方法通过静息态功能磁共振成像预测任务诱导的脑激活图可用于预测一般认知的个体差异,使用这些预测激活图的模型解释近30%的认知方差,显著高于单独静息态功能磁共振成像的7%。该方法提供了一种无需参与者在扫描期间执行任务即可获取任务相关脑信息的有前景的替代方案。
模型/算法选择中的考量
算法选择的影响
机器学习算法的选择可显著影响模型性能。深度学习方法的性能可优于传统算法,但弹性网络和岭回归等传统方法在提供相当预测精度的同时具有显著的计算效率和可解释性优势。在传统算法中,弹性网络在多样人群和认知领域中持续表现优异,优于支持向量回归、随机森林和XGBoost。岭回归在多个认知领域中与深度学习方法性能相当。在衰老人群中,算法偏好转向集成方法。随机森林模型通常优于支持向量回归和弹性网络,解释约19%的加工速度方差、10%的情景记忆、8%的语义记忆和7%的执行功能。对于纵向预测,偏最小二乘回归、支持向量回归和随机森林在基线和12个月随访时表现相当,随机森林在2年和3年间隔时优于其他方法。鉴于其一致的性能、计算简单性和可解释性,弹性网络仍是许多应用的最优选择,但集成方法可能更适合衰老人群和纵向研究。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号