An application Research of Several Common Machine Learning Algorithms in Brain Age Estimation Based on Brain Structure

目的：不同个体的老化进程存在一定差异。为了评估个体的实际老化程度，研究者尝试寻找老化的生物标记物。由于大脑结构与老化之间存在紧密关系而备受关注。研究者使用机器学习的方法，建立大脑年龄预测模型，根据大脑结构预测个体年龄。研究表明，模型不仅能够有效预测个体的年龄，其计算得到的预测年龄值能有效地反映个体的实际老化程度，是一种有效的老化生物标记。但是，过往的研究对模型的效果的评估缺乏综合性，且尚未比较何种机器学习算法最适合用于构建大脑年龄预测模型。此外，研究者对于是否进行年龄校正依然存在争议。本研究通过综合预测性能、信度和效度三方面的比较，对何种算法最适合于大脑年龄预测模型以及是否应该进行年龄校正展开探讨。 方法：研究一、研究二和研究三分别从预测性能、信度和效度三个角度对使用不同算法构建模型的年龄校正前后的结果展开比较。其中，研究一使用 CNN、GPR、SVR 和 XGBoost 四种常用于大脑年龄预测模型的机器学习算法构建并训练了模型，并计算和比较了模型在年龄校正前后，在四项预测性能指标上的结果。研究二计算了四种模型在年龄校正前后，在包含前后测的脑成像数据集上计算得到的重测信度。研究三比较了四种模型在年龄校正前后，区分精神疾病患者组和健康对照组的能力，以及对个体是否患有精神疾病进行分类的能力。 结果：研究一的结果表明，CNN 模型在四个预测性能指标上都有最好的成绩。且年龄校正能有效提升各模型的预测性能。研究二的结果表明，四个模型都有着很高的信度，彼此在信度上的差异也有限。且年龄校正对信度的影响极小。研究三的结果表明，CNN 模型能最好地区分疾病组和对照组，且能最准确地对个体是否患病做出分类。而年龄校正能进一步提升模型的分类能力。 结论：综合三方面的比较，CNN 是最适合用于构建大脑年龄预测模型的算法。而进行年龄校正能有效提升模型的各方面性能。本研究的结果对于未来进行大脑年龄预测模型的研究和实际应用都有着一定的参考价值