Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction

要約

$ \ textbf {目的：} $脳予測年齢差（Brainage）は、脳の健康を反映するニューロイメージングバイオマーカーです。
ただし、堅牢なBrainageモデルのトレーニングには、プライバシーの懸念によって制限されることが多い大規模なデータセットが必要です。
この研究では、機械的血栓摘出術で治療された虚血脳卒中患者における脳脳脳脳推定のためのフェデレーション学習（FL）のパフォーマンスを評価し、臨床表現型および機能的結果との関連を調査します。
$ \ textbf {メソッド：} $ 16の病院センターで1674の脳卒中患者からのFlair Brain画像を使用しました。
3つのデータ管理戦略の下で、頭脳の推定値のための標準の機械学習とディープラーニングモデルを実装しました：集中学習（プールデータ）、FL（各サイトでのローカルトレーニング）、およびシングルサイト学習。
予測エラーを報告し、脳と血管の危険因子（例えば、糖尿病、高血圧、喫煙）の間の関連性、および脳卒中後3か月での機能的結果を調べました。
ロジスティック回帰は、これらの結果に対するBrainageの予測値を評価し、年齢、性別、血管リスク因子、脳卒中の重症度、MRIと動脈穿刺間の時間、以前の静脈内血栓溶解、および再分析の結果を評価しました。
$ \ textbf {results：} $集中学習は最も正確な予測をもたらしましたが、FLは一貫してシングルサイトモデルを上回りました。
ブレインは、すべてのモデルで糖尿病患者で有意に高かった。
機能的結果と不良の患者の比較、およびこれらの結果の多変量予測は、頭脳と脳卒中後の回復との関連の重要性を示しました。
$ \ textbf {結論：} $ flは、データ集中化なしで正確な年齢予測を有効にします。
頭脳、血管リスク因子、および脳卒中後の回復との強い関連性は、脳卒中ケアにおける予後モデリングの可能性を強調しています。

要約(オリジナル)

$\textbf{Objective:}$ Brain-predicted age difference (BrainAGE) is a neuroimaging biomarker reflecting brain health. However, training robust BrainAGE models requires large datasets, often restricted by privacy concerns. This study evaluates the performance of federated learning (FL) for BrainAGE estimation in ischemic stroke patients treated with mechanical thrombectomy, and investigates its association with clinical phenotypes and functional outcomes. $\textbf{Methods:}$ We used FLAIR brain images from 1674 stroke patients across 16 hospital centers. We implemented standard machine learning and deep learning models for BrainAGE estimates under three data management strategies: centralized learning (pooled data), FL (local training at each site), and single-site learning. We reported prediction errors and examined associations between BrainAGE and vascular risk factors (e.g., diabetes mellitus, hypertension, smoking), as well as functional outcomes at three months post-stroke. Logistic regression evaluated BrainAGE’s predictive value for these outcomes, adjusting for age, sex, vascular risk factors, stroke severity, time between MRI and arterial puncture, prior intravenous thrombolysis, and recanalisation outcome. $\textbf{Results:}$ While centralized learning yielded the most accurate predictions, FL consistently outperformed single-site models. BrainAGE was significantly higher in patients with diabetes mellitus across all models. Comparisons between patients with good and poor functional outcomes, and multivariate predictions of these outcomes showed the significance of the association between BrainAGE and post-stroke recovery. $\textbf{Conclusion:}$ FL enables accurate age predictions without data centralization. The strong association between BrainAGE, vascular risk factors, and post-stroke recovery highlights its potential for prognostic modeling in stroke care.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google