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

• arxiv url: http://arxiv.org/abs/2506.15626v1
• Date: Wed, 18 Jun 2025 16:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.748054
• Title: Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction
• Title（参考訳）: MRIに基づく脳機能評価のためのフェデレートラーニング--脳機能評価のマルチセンター研究
• Authors: Vincent Roca, Marc Tommasi, Paul Andrey, Aurélien Bellet, Markus D. Schirmer, Hilde Henon, Laurent Puy, Julien Ramon, Grégory Kuchcinski, Martin Bretzner, Renaud Lopes,
• Abstract要約: 脳年齢差(BrainAGE)は、脳の健康を反映するバイオマーカーである。 堅牢なBrainAGEモデルのトレーニングには大きなデータセットが必要である。 1674例の脳卒中患者のFLAIR画像を用いた。
• 参考スコア（独自算出の注目度）: 9.27749092755817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: $\textbf{Objective:}$ 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.
• Abstract（参考訳）: $\textbf{Objective:}$ Brain-predicted age difference (BrainAGE)は、脳の健康を反映するバイオマーカーである。 しかし、堅牢なBrainAGEモデルのトレーニングには大きなデータセットが必要である。 本研究は,機械的血栓摘出術を施行した虚血性脳卒中患者の脳卒中推定におけるフェデレートラーニング(FL)の有用性について検討し,臨床的表現型と機能的結果との関連について検討した。 1674人の脳卒中患者のFLAIRの画像を16の病院センターで使用しました。 我々は、集中型学習(プールデータ)、FL(各サイトにおけるローカルトレーニング)、単一サイト学習の3つのデータ管理戦略に基づいて、BrainAGE推定のための標準的な機械学習モデルとディープラーニングモデルを実装した。 術後3カ月で,脳卒中と血管危険因子(糖尿病,高血圧,喫煙など)の予測誤差を報告し,その関連性について検討した。 ロジスティックレグレッションは, 年齢, 性別, 血管危険因子, 脳卒中重症度, MRIと動脈穿刺の時間, 静脈内血栓溶解, 再手術成績など, これらの結果に対するBrainAGEの予測値を評価した。 $\textbf{Results:}$ 集中学習は最も正確な予測を得たが、FLは一貫して単一サイトモデルより優れていた。 糖尿病患者では,すべてのモデルでブレインアージが有意に高かった。 機能的予後の良否と多変量予測の比較から,脳卒中と術後回復との関連が示唆された。 $\textbf{Conclusion:}$ FLはデータの集中化なしに正確な年齢予測を可能にする。 脳卒中治療における脳卒中リスク因子と脳卒中後の回復との関係は、予後モデリングの可能性を強調している。

関連論文リスト

• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Anatomical Foundation Models for Brain MRIs [6.993491018326816]
  我々は脳MRIの解剖学的基礎モデルであるAnatCLを提案する。 異なる条件の診断のための12の下流タスクについて検討する。 予備訓練中に解剖情報を組み込むことで,より堅牢で汎用的な表現が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-08-07T14:04:50Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。