Für den Monat Januar 2022 geht das „Paper of the Month“ der Medizinischen Fakultät der WWU Münster an:

Jan Ernsting und Univ.-Prof. Dr. Tim Hahn aus der Translationalen Psychiatrie für die Publikation:

An uncertainty-aware, shareable, and transparent neural network architecture for brain-age modeling      
Hahn, T; Ernsting, J; (...); Berger, K
Jan 2022 | SCIENCE ADVANCES 8 (1) 

Zu Hintergrund, Fragestellung und Bedeutung der Publikation:

Die Abweichung zwischen chronologischem und aus Neuroimaging-Daten vorhergesagtem Alter ist ein sensibler Risikomarker für krankheitsübergreifende Hirnveränderungen. Die dem Gebiet zugrundeliegenden Modelle des maschinellen Lernens berücksichtigen jedoch keine Modell-Unsicherheit, wodurch die Ergebnisse von der Trainingsdatendichte und -variabilität abhängen. Außerdem basieren bestehende Modelle häufig auf homogenen und unvalidierten Trainingssets.

Unser neuronales Netzwerkmodell bietet, basierend auf Monte-Carlo Dropout Composite-Quantile-Regression (MCCQR), eine robuste, verteilungsfreie Unsicherheitsschätzung und erzielt niedrigere Fehlerraten im Vergleich zu bestehenden Modellen in zehn Rekrutierungszentren und in drei unabhängigen Validierungsstichproben. Anhand zweier Beispiele zeigen wir, dass es zuvor gefundene Scheinkorrelationen verhindern kann und die Power erhöht, abweichende Gehirnalterung zu erkennen. Zudem kann das vortrainierte Modell nun öffentlich verfügbar gemacht werden.

Das MCCQR Neural Network ermöglicht es allen Forschern, Hirnaltersunterschiede für ihre eigenen Daten zu berechnen, was eine einfache und robuste Risikoquantifizierung in Bezug auf Hirnaltersunterschiede über Krankheiten hinweg ermöglicht.

Background and fundamental question of the publication:
The deviation between chronological age and age predicted from neuroimaging data has been identified as a sensitive risk-marker of crossdisorder brain changes. However, Machine Learning models underlying the field do not consider uncertainty, thereby confounding results with training data density and variability. Also, existing models are commonly based on homogeneous training sets, often not independently validated, and cannot be shared.

Our Monte-Carlo Dropout Composite-Quantile-Regression (MCCQR) Neural Network model provides robust, distribution-free uncertainty quantification, achieving lower error rates compared to existing models across ten recruitment centers and in three independent validation samples. In two examples, we demonstrate that it prevents spurious associations found with previous models and increases power to detect deviant brain-aging. Also, we can now make the pre-trained model
and code publicly available. 

The MCCQR Neural Network allows all researchers to calculate brain-age gaps for their own data, enabling simple and robust risk quantification with regard brain-age gaps across diseases.

Die bisherigen ausgezeichneten „Papers of the Month“ finden Sie HIER.