Gray matter volume drives the brain age gap in schizophrenia: a SHAP study
Notice bibliographique
Résumé
Abstract Neuroimaging-based brain age is a biomarker that is generated by machine learning (ML) predictions. The brain age gap (BAG) is typically defined as the difference between the predicted brain age and chronological age. Studies have consistently reported a positive BAG in individuals with schizophrenia (SCZ). However, there is little understanding of which specific factors drive the ML-based brain age predictions, leading to limited biological interpretations of the BAG. We gathered data from three publicly available databases - COBRE, MCIC, and UCLA - and an additional dataset (TOPSY) of early-stage schizophrenia (82.5% untreated first-episode sample) and calculated brain age with pre-trained gradient-boosted trees. Then, we applied SHapley Additive Explanations (SHAP) to identify which brain features influence brain age predictions. We investigated the interaction between the SHAP score for each feature and group as a function of the BAG. These analyses identified total gray matter volume (group × SHAP interaction term β = 1.71 [0.53; 3.23]; pcorr < 0.03) as the feature that influences the BAG observed in SCZ among the brain features that are most predictive of brain age. Other brain features also presented differences in SHAP values between SCZ and HC, but they were not significantly associated with the BAG. We compared the findings with a non-psychotic depression dataset (CAN-BIND), where the interaction was not significant. This study has important implications for the understanding of brain age prediction models and the BAG in SCZ and, potentially, in other psychiatric disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».