基于MRI的BrainAGE联邦学习：一项关于卒中后功能结果预测的多中心研究

客观的：脑预测年龄差异 (BrainAGE) 是反映大脑健康状况的神经影像学生物标记。然而，训练稳健的 BrainAGE 模型需要大量数据集，而这通常会受到隐私问题的制约。本研究评估了联邦学习 (FL) 在接受机械血栓切除术治疗的缺血性卒中患者中用于 BrainAGE 估计的性能，并探讨了其与临床表型和功能结局的关联。 方法：我们使用了来自16家医院中心的1674名中风患者的FLAIR脑图像。我们根据三种数据管理策略实施了标准的机器学习和深度学习模型，用于估算BrainAGE：集中式学习（汇总数据）、FL（各站点本地训练）和单站点学习。我们报告了预测误差，并检验了BrainAGE与血管风险因素（例如糖尿病、高血压、吸烟）以及中风后三个月功能结局之间的关联。逻辑回归评估了BrainAGE对这些结局的预测价值，并校正了年龄、性别、血管风险因素、中风严重程度、MRI检查与动脉穿刺之间的时间间隔、既往静脉溶栓治疗史以及血管再通结果。 结果：虽然集中式学习的预测结果最为准确，但FL模型的表现始终优于单点模型。在所有模型中，糖尿病患者的BrainAGE显著较高。对功能恢复良好和功能恢复不良的患者进行比较，以及对这些恢复结果进行多变量预测，结果显示BrainAGE与中风后康复之间存在显著关联。 结论：FL 无需数据集中即可实现精准的年龄预测。BrainAGE、血管风险因素和中风后恢复之间的紧密关联凸显了其在中风护理预后建模中的潜力。