NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Büyük nörogörüntüleme veri kümeleri üzerinde önceden eğitilmiş vakıf modelleri, klinik görüntüleme çalışmalarının tipik sınırlı örnek boyutlarını aşmak için umut verici bir yaklaşım sunar, ancak farklı popülasyonlar arasında genellemeleri belirsizliğini korumaktadır. Kamuya açık dört yapısal MRI temel modelinin ilk sistematik kriterini sunuyoruz: AnatCL, BrainiAC, 3D-Neuro-SimCLR ve SwinBrain. Parkinson İlerleme İşaretleyicileri Girişimi (PPMI), Sağlıklı Beyin Ağı (HBN) ve Nathan Kline Enstitüsü (NKI) veri kümelerinden T1 ağırlıklı MR'ları kullanarak, bu modelleri cinsiyet sınıflandırması, beyin yaşı tahmini ve vücut kitle indeksi tahmini üzerinde değerlendiririz, FreeSurfer kaynaklı kortikal kalınlık ve kortikal yüzey alanı özelliklerinden eğitilmiş modellerle karşılaştırırız. Gönderilen modeller standart dondurulmuş özellik tarama çerçevesi kullanılarak değerlendirilir. Değerlendirme yöntemleri, GitHub'da barındırılan yapısal beyin MR temel modelleri için canlı bir kriter olan BrainFMBench'te mevcuttur ve burada çekme istekleri yoluyla yeni modeller eklenebilir. Bazı vakıf modelleri, belirli görevler ve veri kümeleri üzerinde FreeSurfer'dan daha iyi performans gösterse de, 3D-Neuro-SimCLR ve AnatCL, genel olarak taban çizgilerini geride bıraktı ve 3D-Neuro-SimCLR en tutarlı performansı gösterdi (HBN cinsiyet sınıflandırması hariç). Geri kalan modeller sürekli olarak taban çizgilerinden daha iyi performans göstermedi, bu da öğrenilmiş gösterimlerin morfometrik özellikler üzerindeki avantajının bu modeller için veri kümeleri ve görevler arasında tutarlı olmadığını gösterdi. Buna ek olarak, çapraz model özellik korelasyon analizi, temel model gösterimlerinin geleneksel kortikal ölçümlerle farklı bir şekilde ilişkili olduğunu ortaya koymaktadır. Bu bulgular, yapısal MRI temel modellerini, özellikle 3D-Neuro-SimCLR ve AnatCL'yi, nörogörüntülemede öngörücü modellerin performansını artırmak için umut verici yollar olarak konumlandırıyor.
Özgün kaynak özetini okuyun
Foundation models pre-trained on large neuroimaging datasets offer a promising approach to overcome the limited sample sizes typical of clinical imaging studies, yet their generalization across diverse populations remains unclear. We present the first systematic benchmark of four publicly available structural MRI foundation models: AnatCL, BrainIAC, 3D-Neuro-SimCLR, and SwinBrain. Using T1-weighted MRIs from the Parkinson's Progression Markers Initiative (PPMI), Healthy Brain Network (HBN), and Nathan Kline Institute (NKI) datasets, we evaluate these models on sex classification, brain age prediction, and body mass index prediction, comparing against models trained from FreeSurfer-derived cortical thickness and cortical surface area features. Submitted models are evaluated using a standardized frozen feature probing framework. The evaluation methods are available in BrainFMBench, a living benchmark for structural brain MRI foundation models hosted on GitHub, where new models can be added through pull requests. Although some foundation models outperformed FreeSurfer on particular tasks and datasets, 3D-Neuro-SimCLR and AnatCL outperformed the baselines overall, with 3D-Neuro-SimCLR demonstrating the most consistent performance (with the notable exception of HBN sex classification). The remaining models did not consistently outperform the baselines, indicating that the advantage of learned representations over morphometric features was not consistent across datasets and tasks for these models. In addition, cross-model feature correlation analysis reveals that foundation model representations correlate differently with traditional cortical measurements. These findings position structural MRI foundation models, particularly 3D-Neuro-SimCLR and AnatCL, as promising avenues to boost the performance of predictive models in neuroimaging.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.