Mind the Gap: Does Brain Age Improve Alzheimer’s Disease Prediction?
Notice bibliographique
Résumé
Brain age is widely regarded as a powerful marker of general brain health. Brain age models are typically trained on large datasets to predict chronological age, which may offer advantages in predicting specific health outcomes, much like the success of finetuning large language models for specific applications. However, it is also well accepted that machine learning models trained to directly predict specific outcomes (i.e., direct models) often outperform those trained on surrogate objectives. Therefore, despite their much larger training data, it is unclear whether brain age models outperform direct models in predicting specific brain health outcomes. Here, we compare large-scale brain age models (pretrained on 53,542 participants) and direct models for predicting specific health outcomes related to Alzheimer's disease (AD) dementia. Using anatomical T1 scans from three continents (N = 1,848), we find that summarizing brain age with a single scalar (i.e., brain age gap) led to poor prediction performance. Using higher-dimensional intermediate representations of brain age models led to better prediction, but was still worse than direct models without finetuning. Using intermediate representations of finetuned brain age models was necessary to achieve similar performance to direct models. Overall, our results do not discount brain age as a useful marker of general brain health but suggest that using chronological age as a pretraining target might be suboptimal for predicting specific health outcomes.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».