利用深度学习量化与神经认知变化相关的大脑老化速度

信息科学 人工智能 神经病学 计算机科学 生命科学 生物工程 医学影像 医学
深度学习 大脑老化 神经认知变化 阿尔茨海默病 磁共振成像

随着全球老龄化问题的加剧，神经退行性疾病（如阿尔茨海默病，Alzheimer’s Disease, AD）的发病率逐年上升。大脑老化（Brain Aging, BA）是神经退行性疾病的重要风险因素之一，但其与生理年龄（Chronological Age, CA）并不完全一致。传统的大脑老化评估方法主要依赖于DNA甲基化时钟，然而，这种方法无法直接反映大脑组织的老化情况，因为血脑屏障（Blood-Brain Barrier）将血液中的细胞与脑细胞分隔开来。因此，如何通过非侵入性手段准确评估大脑老化速度（Pace of Brain Aging, P）成为了一个重要的研究课题。

本研究旨在通过深度学习技术，利用纵向磁共振成像（Longitudinal MRI）数据，开发一种能够量化大脑老化速度的模型，并探索其与神经认知变化的关系。这一研究不仅有助于更早地识别神经退行性疾病的风险人群，还为个性化干预策略提供了科学依据。

论文来源

本论文由Chenzhong Yin、Phoebe Imms、Nahian F. Chowdhury、Nikhil N. Chaudhari、Heng Ping、Haoqing Wang、Paul Bogdan、Andrei Irimia等人共同完成。研究团队来自美国南加州大学（University of Southern California, USC）的多个院系，包括电气与计算机工程系、老年学研究中心和生物医学工程系。论文于2025年2月24日发表在《美国国家科学院院刊》（Proceedings of the National Academy of Sciences, PNAS）上。

研究流程与细节

1. 研究设计

研究团队开发了一种基于三维卷积神经网络（3D Convolutional Neural Network, 3D-CNN）的纵向模型（Longitudinal Model, LM），用于从纵向MRI数据中估计大脑老化速度。研究分为以下几个主要步骤：

a) 数据收集与预处理

研究使用了来自多个数据库的MRI数据，包括阿尔茨海默病神经影像学计划（Alzheimer’s Disease Neuroimaging Initiative, ADNI）和英国生物银行（UK Biobank, UKBB）。研究共纳入了3,359名认知正常（Cognitively Normal, CN）的成年人，年龄范围为47至88岁。此外，研究还包括了104名认知正常的独立测试集和140名阿尔茨海默病患者。

MRI数据经过预处理，包括颅骨剥离、运动校正、信号强度归一化以及使用Freesurfer进行脑区分割和重建。

b) 模型开发与训练

研究团队设计了一种3D-CNN模型，其输入为同一参与者在两个时间点（基线t1和随访t2）的MRI体积差异（δi = i(t2) - i(t1)）。模型通过回归分析估计大脑年龄变化（δBA = BA(t2) - BA(t1)），并计算大脑老化速度（P = δBA / δCA，其中δCA为时间间隔）。

模型训练使用了2,055名认知正常成年人的数据，验证集包括1,304名认知正常成年人。模型采用均方误差（Mean Squared Error, MSE）作为损失函数，并使用Adam优化器进行优化。

c) 模型测试与比较

研究在独立测试集上评估了模型的性能，并与现有的三种模型进行了比较：
1. 基于单时间点MRI数据的3D-CNN模型；
2. 简单全卷积网络（Simple Fully Convolutional Network, SFCN）；
3. 优化后的SFCN模型（SFCN-reg）。

结果显示，纵向模型的平均绝对误差（Mean Absolute Error, MAE）为0.16年，显著优于其他模型（MAE分别为1.85年、2.2年和2.73年）。

2. 主要结果

a) 大脑老化速度的估计

纵向模型在认知正常成年人中表现出色，能够准确估计大脑老化速度。在阿尔茨海默病患者中，模型的MAE为0.50年，仍优于其他模型。

b) 与神经认知变化的关联

研究发现，大脑老化速度（P）与认知功能的变化显著相关。例如，在ADNI数据集中，P与阿尔茨海默病评估量表（Alzheimer’s Disease Assessment Scale, ADAS）得分的变化呈正相关，表明大脑老化速度越快，认知功能下降越明显。

c) 解剖学特征的映射

通过显著性映射（Saliency Mapping），研究团队识别了不同性别、年龄和认知状态下与大脑老化速度相关的脑区。例如，女性的右前中央回和后中央回在P估计中起重要作用，而男性的左横前极回和右缘上回更为关键。

结论与意义

本研究开发了一种基于深度学习的纵向模型，能够从纵向MRI数据中准确估计大脑老化速度，并揭示了其与神经认知变化的关系。这一模型不仅为神经退行性疾病的早期风险评估提供了新工具，还为个性化干预策略的开发奠定了基础。

研究亮点

  1. 创新性方法：首次利用3D-CNN从纵向MRI数据中直接估计大脑老化速度，避免了传统方法中需要多次独立估计大脑年龄的局限性。
  2. 高精度与通用性：模型在认知正常成年人和阿尔茨海默病患者中均表现出色，且能够推广到独立测试集。
  3. 解剖学解释性：通过显著性映射，研究揭示了不同性别和认知状态下与大脑老化速度相关的脑区，为理解大脑老化的生物学机制提供了新视角。

其他价值信息

本研究还为未来的研究方向提供了重要启示，例如扩大训练样本的多样性以提高模型的通用性，以及结合其他生物标志物（如DNA甲基化）进一步验证模型的准确性。