Ordinale Klassifikation mit Distanzregularisierung für robuste Hirnalterprädiktion

Das Alter ist einer der bekanntesten Risikofaktoren für die Alzheimer-Krankheit (AD). Die frühe Erkennung von AD ist entscheidend für eine wirksame Behandlung und das Verhindern irreversibler Hirnschäden. Der Hirnalter, ein Maß, das aus bildgebenden Verfahren abgeleitet wird und strukturelle Veränderungen aufgrund des Alterns widerspiegelt, könnte das Potenzial haben, den Beginn von AD zu identifizieren, das Krankheitsrisiko einzuschätzen und gezielte Interventionen zu planen. Tiefes Lernen-basierte Regressionsmethoden zur Vorhersage des Hirnalters aus Magnetresonanztomografie (MRT)-Bildern haben kürzlich eine hohe Genauigkeit gezeigt. Allerdings sind diese Methoden einem inherenten Regression-to-the-mean-Effekt unterworfen, der systematische Verzerrungen verursacht und dazu führt, dass das Hirnalter bei jungen Probanden überschätzt und bei älteren Probanden unterschätzt wird. Dies schwächt die Zuverlässigkeit des vorhergesagten Hirnalters als gültiges Biomarker für nachfolgende klinische Anwendungen.In dieser Arbeit reformulieren wir die Aufgabe der Vorhersage des Hirnalters von einer Regressionsaufgabe zu einer Klassifizierungsaufgabe, um das Problem der systematischen Verzerrung anzugehen. Da die Erhaltung ordinärer Informationen aus dem Alter wichtig ist, um den Altersverlauf zu verstehen und das Altern längsschnittlich zu überwachen, schlagen wir einen neuen ORdinal Distance Encoded Regularization (ORDER)-Verlustfunktion vor, die die Ordnung der Altersetiketten berücksichtigt und somit die Fähigkeit des Modells verbessert, altersbezogene Muster zu erfassen. Ausführliche Experimente und Abstrichstudien zeigen, dass dieses Framework systematische Verzerrungen reduziert, bestehende Methoden statistisch signifikant übertrifft und feine Unterschiede zwischen klinischen Gruppen in einem unabhängigen AD-Datensatz besser erfasst. Unsere Implementierung ist öffentlich zugänglich unter https://github.com/jaygshah/Robust-Brain-Age-Prediction.