Electroencephalography estimates brain age in infants with high precision: Leveraging advanced machine learning in healthcare
Notice bibliographique
Résumé
• First postnatal life is a critical period marked by rapid brain changes. • Developing brain follows a trajectory of increased non-linearity and complexity. • Brain age gap (BAG) can be a tool for early assessment of pediatric development. • Deep learning networks can cope with the multidimensional characteristics of EEG. • Infants’ alpha (6–9 Hz) plays a significant role during the first postnatal life. Changes in the pace of neurodevelopment are key indicators of atypical maturation during early life. Unfortunately, reliable prognostic tools rely on assessments of cognitive and behavioral skills that develop towards the second year of life and after. Early assessment of brain maturation using electroencephalography (EEG) is crucial for clinical intervention and care planning. We developed a reliable methodology using conventional machine learning (ML) and novel deep learning (DL) networks to efficiently quantify the difference between chronological and biological age, so-called brain age gap (BAG) as a marker of accelerated/decelerated biological brain development. In this cross-sectional study, EEG from 219 typically-developing infants aged from three to 14-months was used. For DL networks, the input samples were increased to 2628 recordings. We further validated the BAG tool in a population at clinical risk with abnormal brain growth (macrocephaly) to capture deviation from normal aging. Our results indicate that DL networks outperform conventional ML models, capturing complex non-monotonic EEG characteristics and predicting the biological age with a mean absolute error of only one month (MAE = 1 month, 95 %CI:0.88–1.15, r = 0.82, 95 %CI:0.78–0.85). Additionally, the developing brain follows a trajectory characterized by increased non-linearity and complexity in which alpha rhythm plays an important role. BAG could detect group-level maturational delays between typically-developing and macrocephaly ( p v a l u e = 0.009 ) . In macrocephaly, BAG negatively correlated with the general adaptive composite of the ABAS-II ( p v a l u e = 0.04 ) at 18-months and the information processing speed scale of the WPSSI-IV at age four ( p v a l u e = 0.006 ). The EEG-based BAG score offers a reliable non-invasive measure of brain maturation, with significant advantages and implications for developmental neuroscience and clinical practice.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».