Power of Ensemble Techniques for Brain Age Prediction Using Machine Learning Models
Notice bibliographique
Résumé
Abstract Aging has a profound impact on brain structure and function, resulting in cognitive decline and an increased susceptibility to neurodegenerative diseases. The brain age gap is defined as the difference between an individual's estimated brain age and their actual age, which is considered a potential marker of overall brain health and may indicate structural abnormalities. Considering this work, machine learning models are used to estimate the brain age based on brain imaging data from four prominent repositories namely IXI dataset, Calgary Campinas, Sparse Linear Method, and Sign Agnostic Learning with Derivatives respectively This work is done based on five regression models such as XGBoost (Extreme Gradient Boosting), Support Vector Regression (SVR), Gradient Boosting Regression (GBR), Random Forest Regression (RFR), and K-Nearest Neighbors (KNN) regression, and also considering ensemble models such as Stacking, Bagging, and Boosting. The dataset contains T1-weighted Magnetic resonance imaging (MRI) images from over 1800 patients, and approximately 143 features were extracted using the reliable tool FreeSurfer (6.0). In this study, a major analysis was performed using grid search and cross-validation to train the models and optimize the hyperparameters to prevent overfitting. The results exhibit that a stacked ensemble model of SVR and XGBoost outperformed the other models, with a mean absolute error (MAE) of 4.65 and R2 value of 0.92 on the training dataset while 6.62 and 0.85 on the test set respectively. The validation results indicated that regression models and ensemble techniques for brain age prediction provide a powerful combination of interpretability, accuracy, and robustness.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».