长期以来，从脑成像预测认知能力一直是认知神经科学的核心目标。尽管机器学习在利用脑部MRI数据进行预测方面取得了一些进展，但大多数研究仅依赖单一的MRI模态。
在《PNAS Nexus》上发表的一篇文章中，Narun Pat及其同事通过一种称为“堆叠”的技术整合了多种MRI模态。该方法结合了结构性MRI（如皮质厚度）、静息状态和任务相关的功能连接性，以及任务诱发的血氧水平依赖（BOLD）对比，从而构建出一个更强大的认知功能神经标记物。
作者分析了来自美国和新西兰三个大规模MRI数据集中的2,131名年龄在22至100岁之间的参与者的数据。在三个数据集中，堆叠技术始终显著提高了对扫描仪外收集的认知测试分数的预测能力。为了评估堆叠是否能捕捉到稳定的认知特征，作者将该方法应用于Dunedin多学科健康与发展研究（Dunedin Multidisciplinary Health and Development Study）。
通过45岁时的脑成像，该模型成功预测了儿童时期（7岁、9岁和11岁）的认知分数，Pearson相关系数达到0.52——这表明预测具有相当高的准确性。堆叠技术还解决了基于MRI模型的一大挑战：重测信度——即个体排名随时间的稳定性。改进的一致性表明，与使用单一MRI模态的模型相比，堆叠技术使MRI数据能够更可靠地捕捉持久的个体认知差异。
此外，研究人员通过在一个数据集上训练并在另一个独立数据集上测试来评估堆叠的泛化能力。由于任务协议的不同，作者未能包括几种关键的MRI模态，尤其是任务诱发的BOLD对比。
即便如此，该模型仍取得了高于随机水平的预测性能，Pearson相关系数为0.25。虽然这一结果低于数据集内的表现，但相关性仍显示出有意义的跨样本适用性。
据作者称，这项研究为堆叠如何加强脑部MRI作为认知功能可靠且稳健的神经标记物的应用设立了有价值的基准。
(全文结束)
