长期以来，从脑成像中预测认知能力一直是认知神经科学的核心目标。尽管机器学习在利用脑磁共振成像（MRI）数据进行预测方面取得了一定进展，但大多数研究仅依赖单一MRI模态。Narun Pat及其同事通过一种称为“堆叠”（stacking）的技术整合了多种MRI模态。
该方法结合了结构MRI（如皮质厚度）、静息态和任务态功能连接，以及任务诱发的血氧水平依赖（BOLD）对比度，以构建更强大的认知功能神经标志物。研究团队分析了来自美国和新西兰三个大规模MRI数据集的2,131名年龄在22至100岁之间的参与者的数据。在三个数据集中，“堆叠”一致且显著地改善了对扫描仪外收集的认知测试分数的预测能力。
为了评估“堆叠”是否能够捕捉稳定的认知特征，研究团队将该方法应用于达尼丁多学科健康与发展研究（Dunedin Multidisciplinary Health and Development Study）。基于45岁时的脑成像数据，模型成功预测了儿童时期的认知分数（7岁、9岁和11岁），其皮尔逊相关系数达到0.52，表明预测具有相当高的准确性。“堆叠”还解决了基于MRI模型的一个主要挑战——测试重测可靠性，即个体排名随时间的稳定性。改进的一致性表明，“堆叠”使MRI数据能够比使用单一MRI模态的模型更可靠地捕捉持久的个体认知差异。
最后，研究人员通过在一个数据集上训练模型并在另一个独立数据集上进行测试，评估了“堆叠”的泛化能力。由于任务协议的差异，研究团队未能包含几种关键的MRI模态，尤其是任务诱发的BOLD对比度。即便如此，模型仍达到了高于随机水平的预测性能，皮尔逊相关系数为0.25。尽管这一结果低于同一数据集内的表现，但相关性仍显示出一定程度的跨样本适用性。据研究团队称，这项研究为“堆叠”如何增强脑MRI作为可靠且稳健的认知功能神经标志物的应用设定了有价值的基准。
来源：PNAS Nexus
(全文结束)