A Comparative Evaluation of Structural MRI Foundation Models for Age, Sex, and Body-Mass Index Predictions

De menselijke hersenen zijn een complex orgaan, en het begrijpen van hoe ze in de loop van de tijd veranderen of verschillen tussen mensen is een centraal doel van de moderne neurowetenschap. Om in de levende hersenen te kunnen kijken zonder chirurgie, vertrouwen onderzoekers op magnetische resonantie-imaging, een techniek die gedetailleerde driedimensionale kaarten van de hersenstructuur maakt. Decennialang hebben wetenschappers deze kaarten geanalyseerd door handmatig specifieke kenmerken te meten, zoals de dikte van de buitenste laag van de hersenen of de omvang van het gevouwen oppervlak. Deze metingen, bekend als morfometrische kenmerken, hebben een solide fundament gelegend voor het bestuderen van aandoeningen zoals de ziekte van Alzheimer of de natuurlijke effecten van veroudering. Het verzamelen van voldoende hersenscans om zeldzame aandoeningen of diverse populaties te bestuderen is echter moeilijk, en traditionele methoden vereisen vaak een grote hoeveelheid menselijke inspanning om de gegevens te interpreteren. In de afgelopen jaren is er een nieuwe aanpak ontstaan: het trainen van computersystemen op enorme collecties hersenscans, zodat ze zelf patronen kunnen leren herkennen. Deze systemen, zogenaamde foundation models, zijn ontworpen om de ruwe beelden direct te begrijpen, wat potentieel een krachtigere manier biedt om betekenisvolle informatie uit medische scans te extraheren dan oudere methoden.

Een team van onderzoekers zette zich in om te testen of deze nieuwe computersystemen werkelijk een voordeel bieden ten opzichte van de gevestigde methoden die al jaren worden gebruikt. Ze richtten zich op vier publiek beschikbare modellen die vooraf waren getraind op grote datasets van hersenbeelden. Om te zien hoe goed deze modellen werkten in realistische scenario's, verzamelden de onderzoekers magnetische resonantiebeelden van drie verschillende groepen mensen: mensen met de ziekte van Parkinson, een netwerk van gezonde kinderen en volwassenen, en een grote groep gezonde vrijwilligers. Ze vroegen de computermodellen om drie specifieke taken uit te voeren die gebruikelijk zijn in hersenonderzoek: het bepalen van het geslacht van een persoon, het schatten van hun leeftijd en het voorspellen van hun lichaammasse-index. Om een eerlijke vergelijking te garanderen, testte het team deze nieuwe modellen tegen een standaardmethode die berust op het meten van de dikte en het oppervlak van de hersenschors, een methode die al lang de gouden standaard in het vakgebied is. Ze gebruikten een consistent testkader waarbij de computermodellen niet werden toegestaan om tijdens de test iets nieuws te leren, waardoor de resultaten alleen een reflectie waren van wat de modellen al hadden geleerd van hun initiële training.

De resultaten toonden aan dat de nieuwe computermodellen niet automatisch elke keer wonnen. Hoewel sommige van de foundation models beter presteerden dan de traditionele metingen bij specifieke taken of bij bepaalde groepen mensen, was het algemene beeld gemengd. Twee van de modellen, 3D-Neuro-SimCLR en AnatCL, presteerden consequent beter dan de traditionele methoden bij de meeste tests. Onder hen vertoonde 3D-Neuro-SimCLR de meest betrouwbare prestaties, hoewel het moeite had met één specifieke taak betreffende geslachtsclassificatie in de HBN-dataset. De andere geteste modellen versloegen de traditionele metingen niet consistent, wat suggereert dat het vermogen van een computer om zelf patronen te leren van ruwe beelden niet garandeert dat er in elke situatie betere resultaten worden behaald. De onderzoekers ontdekten ook dat de manier waarop deze nieuwe modellen de hersenen begrepen verschilde van hoe traditionele metingen deze beschreven, wat erop wijst dat de computer relaties in de gegevens zag die door menselijk ontworpen metingen mogelijk over het hoofd worden gezien.

Deze studie biedt een duidelijk ijkpunt voor het vakgebied en laat zien dat, hoewel deze geavanceerde computermodellen veelbelovend zijn, ze nog geen universele vervanging zijn voor gevestigde technieken. De bevindingen suggeren dat modellen zoals 3D-Neuro-SimCLR en AnatCL bijzonder sterke instrumenten zijn voor het verbeteren van voorspellingen in de hersenimaging, maar dat hun succes sterk afhangt van de specifieke vraag die gesteld wordt en de populatie die bestudeerd wordt. Om andere wetenschappers te helpen dit werk voort te zetten, hebben de onderzoekers hun testmethoden publiekelijk beschikbaar gemaakt, waardoor een levende bron is gecreëerd waar nieuwe modellen kunnen worden toegevoegd en vergeleken naarmate ze worden ontwikkeld. Deze transparantie zorgt ervoor dat het vakgebied vooruit kan gaan met een duidelijk begrip van welke instrumenten het beste werken, om de aanname te vermijden dat nieuwere technologie altijd superieur is zonder bewijs. Het werk bevestigt dat deze foundation models een waardevolle toevoeging zijn aan de gereedschapskist van de neurowetenschapper, en een pad bieden naar nauwkeurigere voorspellingen wanneer het juiste model wordt gekoppeld aan de juiste taak.