The use of machine learning (ML) algorithms has significantly increased in neuroscience. However, from the vast extent of possible ML algorithms, which one is the optimal model to predict the target variable? What are the hyperparameters for such a model? Given the plethora of possible answers to these questions, in the last years, automated ML (autoML) has been gaining attention. Here, we apply an autoML library called Tree‐based Pipeline Optimisation Tool (TPOT) which uses a tree‐based representation of ML pipelines and conducts a genetic programming‐based approach to find the model and its hyperparameters that more closely predicts the subject's true age. To explore autoML and evaluate its efficacy within neuroimaging data sets, we chose a problem that has been the focus of previous extensive study: brain age prediction. Without any prior knowledge, TPOT was able to scan through the model space and create pipelines that outperformed the state‐of‐the‐art accuracy for Freesurfer‐based models using only thickness and volume information for anatomical structure. In particular, we compared the performance of TPOT (mean absolute error [MAE]: 4.612 ± .124 years) and a relevance vector regression (MAE 5.474 ± .140 years). TPOT also suggested interesting combinations of models that do not match the current most used models for brain prediction but generalise well to unseen data. AutoML showed promising results as a data‐driven approach to find optimal models for neuroimaging applications.

中文翻译：

---

一种自动机器学习方法，可通过皮质解剖测量来预测大脑年龄。

机器学习 (ML) 算法在神经科学中的使用显着增加。然而，从大量可能的 ML 算法来看，哪一种是预测目标变量的最佳模型？这种模型的超参数是什么？鉴于这些问题的可能答案过多，在过去几年中，自动化 ML (autoML) 一直受到关注。在这里，我们应用了一个名为 Tree-based Pipeline Optimization Tool (TPOT) 的 autoML 库，它使用 ML 管道的基于树的表示，并执行基于遗传编程的方法来查找模型及其超参数，从而更准确地预测受试者的真实年龄. 为了探索 autoML 并评估其在神经影像数据集中的功效，我们选择了一个一直是先前广泛研究的重点的问题：大脑年龄预测。在没有任何先验知识的情况下，TPOT 能够扫描模型空间并创建管道，其性能优于基于 Freesurfer 的模型的最新精度，仅使用解剖结构的厚度和体积信息。特别是，我们比较了 TPOT（平均绝对误差 [MAE]：4.612 ± .124 年）和相关向量回归（MAE 5.474 ± .140 年）的性能。TPOT 还提出了一些有趣的模型组合，这些模型与当前最常用的大脑预测模型不匹配，但可以很好地推广到看不见的数据。AutoML 作为一种数据驱动的方法，在寻找神经影像应用的最佳模型方面表现出了可喜的成果。TPOT 能够扫描模型空间并创建管道，其性能优于基于 Freesurfer 的模型的最先进的精度，仅使用解剖结构的厚度和体积信息。特别是，我们比较了 TPOT（平均绝对误差 [MAE]：4.612 ± .124 年）和相关向量回归（MAE 5.474 ± .140 年）的性能。TPOT 还提出了一些有趣的模型组合，这些模型与当前最常用的大脑预测模型不匹配，但可以很好地推广到看不见的数据。AutoML 作为一种数据驱动的方法，在寻找神经影像应用的最佳模型方面表现出了可喜的成果。TPOT 能够扫描模型空间并创建管道，其性能优于基于 Freesurfer 的模型的最先进的精度，仅使用解剖结构的厚度和体积信息。特别是，我们比较了 TPOT（平均绝对误差 [MAE]：4.612 ± .124 年）和相关向量回归（MAE 5.474 ± .140 年）的性能。TPOT 还提出了一些有趣的模型组合，这些模型与当前最常用的大脑预测模型不匹配，但可以很好地推广到看不见的数据。AutoML 作为一种数据驱动的方法，在寻找神经影像应用的最佳模型方面表现出了可喜的成果。TPOT 还提出了一些有趣的模型组合，这些模型与当前最常用的大脑预测模型不匹配，但可以很好地推广到看不见的数据。AutoML 作为一种数据驱动的方法，在寻找神经影像应用的最佳模型方面表现出了可喜的成果。TPOT 还提出了一些有趣的模型组合，这些模型与当前最常用的大脑预测模型不匹配，但可以很好地推广到看不见的数据。AutoML 作为一种数据驱动的方法，在寻找神经影像应用的最佳模型方面表现出了可喜的成果。