结构性脑 MRI 人工智能模型中解剖和学习特征的比较研究

在这项工作中，我们全面评估了基于人工智能的神经影像建模中三种流行的特征提取范式：（1）解剖表面和体积的计算，（2）卷积神经网络（CNN）的监督学习，以及（3）视觉Transformer（ViT）基础模型的无监督预训练，然后进行监督微调。我们的研究基于 18 个公开数据集，其中包含来自 7 个不同临床任务的大约 80,000 名参与者的 3D 结构 T1 加权 MRI 扫描。我们观察到，基于解剖特征的线性模型与复杂的人工智能框架（包括经过数千次扫描训练的基础模型）学习的复杂非线性特征的诊断性能相匹配。相反，CNN 和预训练的 ViT 学习隐式捕获相关解剖信息的特征，从而绕过了显式特征提取的需要。基于这些见解，我们提出了解剖分割预训练（ASP），这是一种在基础模型预训练期间纳入解剖信息的新方法，其在生物年龄估计方面优于现有模型。