Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction
这项多中心研究表明，联邦学习能够在不损害患者隐私的情况下，实现通过 MRI 数据对大脑预测年龄差异（BrainAGE）进行准确估算，并揭示了 BrainAGE 与血管风险因素显著相关，且可作为中风后三个月功能预后的重要预测指标。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类的大脑会随着年龄的增长而变化，就像身体的其他部分一样，但这些变化在每个人身上的速度并不相同。有些人保持着与更年轻的人相似的大脑外观和功能，而另一些人则比其出生证明所显示的年龄更早地表现出衰老的迹象。科学家们已经开发出一种衡量这种差异的方法，称为“大脑年龄”。通过将成千上万份大脑扫描图输入计算机程序，他们教会软件仅根据大脑的结构来预测一个人的年龄。如果计算机猜想一个人的年龄比实际年龄大，这表明他们的大脑老化速度快于平均水平，可能预示着潜在的健康风险。这一概念已成为理解大脑健康的一种强大工具，但有效使用它一直受到一个主要障碍的阻碍：隐私。医院不能简单地将患者的扫描图像与其他医院共享以建立更好的模型，因为严格的法律保护着个人医疗数据。这造成了一个困境：最好的模型需要来自许多地方的海量数据，然而这些数据却无法移动。
来自法国和美国的的一个研究小组通过测试一种称为“联邦学习”的新方法解决了这个问题。他们没有将所有的脑部扫描图收集到一个中心位置，而是将数据锁定在收集这些数据的十六家不同医院内部。他们将一个计算机程序发送到每家医院，让它从当地患者身上学习，然后只带回程序学到的“教训”，而不是患者数据本身。这使他们能够构建一个单一且强大的模型，该模型能够理解多样化人群中大脑老化的细微差别，而从未违反任何隐私规则。他们将这种方法应用于一组特定的患者：1,674名曾遭受严重中风并接受了清除大脑血管阻塞的机械手术的个体。研究人员想要观察这种保护隐私的方法是否能准确估计大脑年龄，更重要的是，这种估计能否预测患者在中风三个月后恢复日常功能的程度。
该研究重点关注在任何治疗开始前拍摄的图像，特别是通过一种名为FLAIR的扫描方式，这种方式可以突出显示大脑中的液体和损伤。研究人员比较了构建预测模型的三种不同方式。第一种是传统方法，即将所有来自十六个中心的图像汇集到一个巨大的数据集中。第二种是新的联邦方法，即模型在每个站点进行本地学习并仅分享其更新。第三种是使用仅来自一家医院的数据进行的基准测试，以观察忽略其余网络会损失多少信息。结果显示，虽然传统的中心化方法产生的年龄预测最为精确，但联邦方法紧随其后，且明显优于仅依赖单一医院的数据。这证明了新方法可以在无需将任何图像文件移出其原籍医院的情况下，捕捉到大规模、多样化患者群体的复杂性。
然而，这项工作的真正价值不仅在于年龄预测的准确性，还在于这些预测揭示了关于患者健康的哪些信息。研究人员发现，这些模型计算出的“大脑年龄”与现实世界的临床结果密切相关。大脑看起来比实际年龄大的患者，患糖尿病的可能性显著更高，且中风三个月后恢复较差的可能性也大得多。相反，大脑看起来比预期年轻的患者往往有更好的功能性结果，这意味着他们更有可能恢复独立生活能力。无论模型是使用中心化数据还是联邦方法构建的，这种联系都成立。即使研究人员对其他已知因素（如中风严重程度、接受治疗的时间以及其他医疗状况）进行了调整，大脑年龄的估计值仍然是一个强有力的恢复预测指标。
研究还探讨了不同类型的脑部特征如何对这些预测做出贡献。有些模型观察不同脑区的总体体积，而另一些模型则检查大脑白质内数以千计的微小纹理细节。分析这些精细细节的更复杂的模型往往更准确，并且与患者康复的关系更强。有趣的是，研究人员发现，模型训练的具体方式对于最终的临床洞察的重要性，不如其是在大规模、多样化群体中进行训练这一事实重要。无论模型是中心化构建还是联邦构建，核心信息始终如一：大脑看起来比应有的年龄要老，是康复困难的一个警告信号。这表明联邦方法不仅仅是一个技术上的权宜之计，也是创建一个稳健的、可用于不同医院的医疗工具的切实可行路径。
通过证明一个模型可以在从未见过除一个中心以外任何原始数据的情况下，从十六个不同的中心学习，这项研究为医疗研究中的一个主要瓶颈提供了实用的解决方案。它表明，医院可以在不损害患者隐私的情况下进行协作，以改善患者护理并预测预后。研究结果表明，在未来，医生可能会利用这些保护隐私的模型，及早识别出中风后面临康复困难高风险的患者，从而制定更具个性化和强化性的康复计划。这项工作证实，数据隐私的障碍并不一定会阻碍医学科学的进步；通过正确的工具，医院可以在保持患者数据安全的同时分享知识，最终为那些正在从如此严重的身体损伤中恢复的人提供更好的护理。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。