Computational limits to the legibility of the imaged human brain

要約

集団レベルでの人間の脳の組織に関する私たちの知識は、個人レベルでの機能の違いを予測する力にまだ変換されておらず、臨床応用が制限され、推定されるメカニズムの一般化可能性に疑問を投げかけています。
この困難が、脳内に個性的な生物学的パターンがないことによって生じているのか、それともモデルを使ってそれらにアクセスし、自由に計算できる能力が限られていることによって生じているのかは、依然として不明である。
ここでは、そのようなパターンの解決可能性をデータで包括的に調査し、前例のない規模で計算します。
英国バイオバンクからの 23,810 人のユニークな参加者を対象に、構造的および機能的神経画像データの利用可能なすべての組み合わせから、25 の個々の生物学的特徴の予測可能性を体系的に評価します。
4526 GPU 時間を超える計算により、サンプル外の 700 の個別の予測モデルをトレーニング、最適化、評価します。これには、人口動態、心理学的、血清学的、慢性疾患、および機能的接続特性の完全に接続されたフィードフォワード ニューラル ネットワークが含まれます。
マクロおよびミクロ構造の脳イメージングのユニモーダルおよびマルチモーダル 3D 畳み込みニューラル ネットワーク モデル。
性別 (バランスの取れた精度 99.7%)、年齢 (平均絶対誤差 2.048 歳、R2 0.859)、体重 (平均絶対誤差 2.609Kg、R2 0.625) の高い予測可能性の間に顕著な不一致が見つかり、それらに対して新しい状態を設定しました。
最先端のパフォーマンスと、その他の特性の予測可能性が驚くほど低いことです。
構造画像も機能画像も、慢性疾患の偶然よりも心理学を予測することができませんでした (p<0.05)。 慢性疾患は血清学的検査によって予測され (p<0.05)、血清学的検査によって最もよく予測され (p<0.001)、次いで構造神経画像検査によって予測されました (p<0.05)。 私たちの発見は、人間の脳から個人レベルの特徴を解読するには、より有益なイメージングか、より強力なモデルが必要であることを示唆しています。

要約(オリジナル)

Our knowledge of the organisation of the human brain at the population-level is yet to translate into power to predict functional differences at the individual-level, limiting clinical applications, and casting doubt on the generalisability of inferred mechanisms. It remains unknown whether the difficulty arises from the absence of individuating biological patterns within the brain, or from limited power to access them with the models and compute at our disposal. Here we comprehensively investigate the resolvability of such patterns with data and compute at unprecedented scale. Across 23 810 unique participants from UK Biobank, we systematically evaluate the predictability of 25 individual biological characteristics, from all available combinations of structural and functional neuroimaging data. Over 4526 GPU hours of computation, we train, optimize, and evaluate out-of-sample 700 individual predictive models, including fully-connected feed-forward neural networks of demographic, psychological, serological, chronic disease, and functional connectivity characteristics, and both uni- and multi-modal 3D convolutional neural network models of macro- and micro-structural brain imaging. We find a marked discrepancy between the high predictability of sex (balanced accuracy 99.7%), age (mean absolute error 2.048 years, R2 0.859), and weight (mean absolute error 2.609Kg, R2 0.625), for which we set new state-of-the-art performance, and the surprisingly low predictability of other characteristics. Neither structural nor functional imaging predicted psychology better than the coincidence of chronic disease (p<0.05). Serology predicted chronic disease (p<0.05) and was best predicted by it (p<0.001), followed by structural neuroimaging (p<0.05). Our findings suggest either more informative imaging or more powerful models are needed to decipher individual level characteristics from the human brain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google