建立健康参考队列和模型训练
训练并比较不同图谱和机器学习模型在健康对照数据上的年龄预测性能
使用六个公开数据集共2222名健康对照的rs-fMRI数据，计算功能连接，并训练多种机器学习模型（如SVR、XGBoost等）预测年龄，采用嵌套交叉验证调整超参数。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
静息态脑年龄与精神分裂症谱系障碍的认知和感觉运动异常相关：一项验证与纵向研究
Resting-state brain age is associated with cognitive and sensorimotor abnormalities in schizophrenia spectrum disorders: a validation & longitudinal study
实验完整度
高包含四个独立病例对照队列与大规模健康参考队列的验证、纵向随访分析、及多种机器学习模型的系统比较和交叉验证。
主要模型
精神分裂症谱系障碍患者 健康对照 基于rs-fMRI的功能连接数据
重点核对
BAG计算时对年龄、年龄平方、性别和平均FD进行回归修正 跨位点使用ComBat进行FC协调 纵向分析中的随访时间点为12周（whiteCAT）和24周（NSS） MRI数据预处理使用fMRIPrep，功能连接计算使用两种图谱（Harvard-Oxford和MSDL）
摘要
脑年龄模型使用神经影像学特征来预测实际年龄。由此产生的脑年龄差距（BAG），定义为预测脑年龄减去实际年龄，量化了与年龄预期脑特征的偏差。结构性脑年龄加速在精神分裂症谱系障碍（SSD）中已得到充分证实，但基于静息态功能连接（rs-FC）的脑年龄的效用仍不清楚。在这里，我们在来自健康对照（n≈2200）的汇总寿命数据上训练了rs-FC脑年龄模型，并在四个独立的SSD病例对照队列中进行了评估。在独立队列和两种脑图谱中，SSD的功能连接为基础的BAG高于健康对照（β≈0.4-0.6），表明在组水平上功能脑年龄适度升高。然而，在SSD内部，更负（看起来更年轻）的BAG与较差的认知表现、较长的病程和较高的神经系统软体征（NSS）相关。在12-24周内，BAG的增加与NSS运动协调和硬体征的减少相关。总之，这些发现表明rs-FC脑年龄既捕获了小的病例对照转变，也捕获了SSD内部临床相关的维度，这一维度不能用均匀的“加速”来很好地描述。因此，基于FC的BAG可能反映了网络水平发育和重组的异质性，而看起来更年轻的功能特征可能表明更大的神经发育负担。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 静息态功能连接（rs-FC）脑年龄是否能检测精神分裂症谱系障碍（SSD）的脑老化偏差及其临床相关性？
- 核心机制
- FC-based BAG可能反映网络水平发育和重组的异质性，而非单一的加速老化；在SSD中，看起来更年轻的功能特征可能反映神经发育负担和未成熟的网络组织。
- 主要证据
- 在四个独立病例对照队列中，SSD的FC-based BAG高于健康对照；在SSD内部，负BAG与较差的认知表现、较长病程和较高NSS相关；纵向随访中BAG增加与NSS运动协调和硬体征评分改善相关。
- 研究意义
- FC-based BAG可能作为SSD中神经发育异质性和临床状态的系统级标志物，且纵向变化可能与症状改善相关。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
独立验证队列中的病例对照比较
验证模型的泛化性，并比较SSD患者与健康对照的BAG差异
将训练好的模型应用于四个独立病例对照队列（whiteCAT+URBN、NSS+BMBF、LA5c-UCLA、COBRE），计算BAG并进行组间比较。
临床关联分析
检验BAG与认知功能、神经软体征、病程、药物剂量等临床变量的关联
使用线性回归模型评估BAG与多个临床指标的关联，包括PANSS总分及子量表、B-CATS评分、NSS总分及子域、病程和抗精神病药剂量。
纵向随访分析
检验BAG的纵向变化是否与临床变量的变化相关
在whiteCAT和NSS队列的SSD患者中，评估12周或24周随访期间BAG变化与临床结局变化的关系。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| MRI预处理 | fMRIPrep | -- | 23.2.3 |
| 功能连接计算 | nilearn | -- | 0.10.2 |
| 数据协调 | neuroHarmonize | -- | -- |
| 机器学习模型 | scikit-learn | -- | 1.3.2 |
| LightGBM | -- | 4.3.0 | |
| XGBoost | -- | 2.0.3 | |
| 统计建模 | statsmodels | -- | 0.14.1 |
| 超参数优化 | Optuna | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据预处理 | MATLAB版本（文中提到python 3.9.18，但MRI处理使用fMRIPrep，实际版本未知）、fMRIPrep版本（23.2.3）、confound策略（simple）、全局信号回归（basic） 阅读提示：Methods: Brain connectivity calculation |
| 功能连接计算 | 图谱（Harvard-Oxford与MSDL）、连接测量（Pearson相关）、信号标准化（zscore_sample） 阅读提示：Methods: Brain connectivity calculation |
| 数据协调 | ComBat训练池（仅健康对照组）、保留协变量（年龄、性别、平均FD） 阅读提示：Methods: Site harmonization & confounding |
| 模型训练 | 模型族（SVR等）、交叉验证策略（5折5次重复）、超参数优化方法（Optuna） 阅读提示：Methods: Estimating biological brain age |
| 统计分析 | BAG修正（年龄、年龄平方、性别、平均FD）、标准化方法（z-score）、统计检验（线性回归稳健标准误HC3） 阅读提示：Methods: Statistical analyses |