# 脑龄预测

多视角数据里，每个视角有自己的协方差，视角之间还有跨视角协方差，此前的协方差神经网络只处理单视角，把两视角拼接后无法区分这两类结构。CANE把视角内协方差滤波与跨视角协方差滤波分成两级，用可学习多项式在协方差谱上代替典型相关分析中的白化与奇异向量选择，并直接按下游任务训练。在脑影像与运动传感的七个数据集上，CANE在其中六个取得最佳或并列最佳表现，ADNI1的年龄预测平均绝对误差为4.97岁，参数量常比双视角VNN更少。

多视角数据里，每个视角有自己的协方差，视角之间还有跨视角协方差，此前的协方差神经网络只处理单视角，把两视角拼接后无法区分这两类结构。CANE把视角内协方差滤波与跨视角协方差滤波分成两级，用可学习多项式在协方差谱上代替典型相关分析中的白化与奇异向量选择，并直接按下游任务训练。在脑影像与运动传感的七个数据集上，CANE在其中六个取得最佳或并列最佳表现，ADNI1的年龄预测平均绝对误差为4.97岁，参数量常比双视角VNN更少。

自闭症等神经发育障碍的脑连接差异长期靠病例—对照的组平均比较，个体差异被抹平。BRIDGE把图变分自编码器与规范建模结合，用1164名神经典型者的结构连接组学出一条随年龄变化的参照轨迹，再以脑龄差给出全局偏离分数、以区域嵌入给出个体化偏离图。在229名自闭症儿童中，男性患者的全局分数与ADOS（Spearman R=−0.291）和IQ（Pearson R=0.195）相关，脑龄预测误差比同类深度学习模型低3%–9%。

自闭症等神经发育障碍的脑连接差异长期靠病例—对照的组平均比较，个体差异被抹平。BRIDGE把图变分自编码器与规范建模结合，用1164名神经典型者的结构连接组学出一条随年龄变化的参照轨迹，再以脑龄差给出全局偏离分数、以区域嵌入给出个体化偏离图。在229名自闭症儿童中，男性患者的全局分数与ADOS（Spearman R=−0.291）和IQ（Pearson R=0.195）相关，脑龄预测误差比同类深度学习模型低3%–9%。

脑龄模型多在北半球数据上训练，直接用于尼日利亚成人会失准。研究者用309名尼日利亚成人的临床T1加权MRI训练了一个人群特异的高斯过程回归模型，在47人留出测试集上未做年龄偏差校正时平均绝对误差为9.82年；在44人共同对照集上，该模型为10.24年，PyBrainAge为10.52年、SynthBA为12.33年、ENIGMA-Brain Age为17.51年，SPARROW为7.87年。校正后内部测试集误差为6.39年，但在另一独立尼日利亚队列上升至8.78年，且所有模型在该队列的决定系数均为负。

脑龄模型多在北半球数据上训练，直接用于尼日利亚成人会失准。研究者用309名尼日利亚成人的临床T1加权MRI训练了一个人群特异的高斯过程回归模型，在47人留出测试集上未做年龄偏差校正时平均绝对误差为9.82年；在44人共同对照集上，该模型为10.24年，PyBrainAge为10.52年、SynthBA为12.33年、ENIGMA-Brain Age为17.51年，SPARROW为7.87年。校正后内部测试集误差为6.39年，但在另一独立尼日利亚队列上升至8.78年，且所有模型在该队列的决定系数均为负。