基于MRI的机器学习模型研究吸烟与大脑年龄的关系

作者：高昕宇; 张孟哲; 韩少强; 杨镇圭; 汪卫建; 许珂; 程敬亮; 张勇^*

来源：中华放射学杂志, 2022, 56(12).

• 吸烟
• 磁共振成像
• 大脑年龄
• 机器学习

目的通过基于MRI的机器学习模型来预测吸烟者及健康对照者大脑年龄, 进一步探讨吸烟与大脑老化的关系。方法该研究为回顾性研究。数据集1为2014年8月至2017年10月郑州大学第一附属医院募集的男性吸烟者95名[年龄20～50(34±7)岁]和健康对照者49名[年龄20～50(33±7)岁]。数据集2为2010至2015年西南大学成人影像数据库的114名男性健康志愿者[年龄20～50(34±11)岁]。所有受检者均接受高分辨三维 T1WI。基于数据集1和数据集2健康对照者的结构MR图像构建高斯过程回归(GPR)模型和支持向量机模型预测大脑年龄, 并通过交叉验证法验证模型性能, 计算预测大脑年龄与实际年龄间的平均绝对误差(MAE)、实际年龄和预测大脑年龄之间的相关性(r值), 最终筛选出最佳模型。将最佳模型应用于吸烟者和健康对照者预测其大脑年龄。最后以年龄、教育年限及颅内总容积为协变量, 通过一般线性模型比较吸烟者和健康对照者的大脑年龄差值(PAD)的差异。结果 GPR模型预测大脑年龄(MAE=5.334, r=0.747)优于支持向量机模型(MAE=6.040, r=0.679)。GPR模型预测数据集1的吸烟者PAD值(2.19±6.64)高于数据集1的健康对照者(?0.80±8.94), 差异有统计学意义(F=8.52, P=0.004)。结论基于MRI的GPR模型预测吸烟者及健康对照者大脑年龄性能较好, 吸烟者PAD值增加, 进一步表明吸烟会加速大脑老化。

• 单位
  郑州大学第一附属医院