Не упускайте различия: оценка показателей эффективности прогнозирования возраста мозга

Оценка возраста по данным нейровизуализации стала популярным подходом к разработке маркеров целостности и здоровья мозга. Хотя разнообразные алгоритмы машинного обучения позволяют точно прогнозировать возраст по характеристикам мозга, в разных исследованиях сообщается о значительных различиях в точности моделей. Мы прогнозировали возраст в двух популяционных выборках и оценивали влияние возрастного диапазона, размера выборки и коррекции возрастного смещения на показатели эффективности моделей: коэффициент корреляции Пирсона (r), коэффициент детерминации (R), среднеквадратичную ошибку (RMSE) и среднюю абсолютную ошибку (MAE). Эти показатели существенно зависели от возрастного диапазона когорты: значения r и R были ниже при оценке в выборках с более узким возрастным диапазоном. RMSE и MAE также были ниже в выборках с более узким возрастным диапазоном, поскольку ошибки и значения разницы между прогнозируемым и фактическим возрастом мозга были меньше, когда прогнозы приближались к среднему возрасту группы. Во всех подвыборках с разными возрастными диапазонами показатели эффективности улучшались при увеличении размера выборки. Кроме того, показатели зависели от дисперсии прогнозов и различия среднего возраста между обучающей и тестовой выборками; показатели после коррекции возрастного смещения указывали на высокую точность даже у моделей с низкими исходными показателями. Таким образом, показатели эффективности, используемые для оценки моделей прогнозирования возраста, зависят от характеристик данных, специфичных для когорты и исследования, и не могут напрямую сопоставляться между разными исследованиями. Поскольку показатели после коррекции возрастного смещения обычно указывают на высокую точность даже у плохо работающих моделей, изучение нескорректированных результатов важно для понимания таких свойств моделей, как дисперсия прогнозов.