基于图卷积网络的大脑年龄预测方法研究

目的 ：为了客观评估大脑的健康状态，提出一种基于图卷积网络（graph convolution network,GCN）的大脑年龄预测方法。方法：首先，基于英国生物银行（UK Biobank,UKB）的10 000例脑健康中老年人的T1加权MRI影像学衍生表型（imaging-derived phenotypes,IDPs）数据，采用多层感知机网络提取年龄相关的结构特征构建群体图；其次，提出基于边重要性的节点邻居采样，并使用基于图的特征注意力机制加强邻域信息的特征聚合，建立一个以GCN为核心的大脑年龄预测模型；最后，与基线模型（GCN模型）、基线模型+随机采样、基线模型+NodeSAGE比较以评估该模型的预测性能。另外，根据预测的大脑年龄获取大脑年龄估计差，探究大脑老化与身体健康状况、生活习惯以及认知间的相关性。结果：提出的模型预测脑年龄的平均绝对误差为3.97 a，预测年龄与生理年龄间的Pearson相关系数为0.748，均优于基线模型、基线模型+随机采样、基线模型+NodeSAGE；大脑老化与身体健康状况指标显著相关，与吸烟史和频繁喝酒显著相关，与执行功能、非语言推理和处理速度显著...