你的脑龄多大了？

点击上方蓝字立即免费关注阿尔茨海默病

人类的大脑掌握着许多关于一个人长期健康的线索。事实上，研究表明，一个人的大脑年龄是一个比他们的出生日期更有用和更准确的健康风险和未来疾病的预测因素。

《科学博客》

2023年1月7日消息 

现在，由南加州大学（University of Southern California，USC）研究人员开发的一种新的人工智能（AI）模型可以分析磁共振成像（MRI）脑部扫描，可以用于准确捕捉与阿尔茨海默病等神经退行性疾病相关的认知能力下降，比以往的方法更早。

脑老化被认为是神经退行性疾病风险的可靠生物标志物。当一个人的大脑表现出比同龄人预期的更“老”的特征时，这种风险就会增加。通过利用该团队新型人工智能模型的深度学习能力来分析扫描结果，研究人员可以检测出微妙的大脑解剖标记，这些标记在其他情况下很难检测到，并且与认知能力下降相关。他们的研究结果近日发表在《美国国家科学院院刊》（Proceedings of the National Academy of Sciences，PNAS）上， 让我们对人类认知有了前所未有的了解。

研究于2023年1月3日发表在《Proceedings of the National Academy of Sciences》（最新影响因子：12.779）杂志上

“我们的研究利用深度学习的力量来识别大脑中正在衰老的区域，这些区域反映了可能导致阿尔茨海默病的认知能力下降，” USC 伦纳德·戴维斯老年医学学院（Leonard Davis School of Gerontology）的老年学、生物医学工程、定量和计算生物学和神经科学助理教授、该研究的通讯作者 Andrei Irimia 说。

“人们衰老的速度不同，身体组织类型也不同。当我们说“某某人四十岁，但看起来像三十岁”时，我们就知道这一点。同样的想法也适用于大脑。40 岁的人的大脑看起来可能像 30 岁的人的大脑一样‘年轻’，也可能像 60 岁的人一样‘老’。”

一种比现有方法更准确的替代方法

Irimia 和他的团队整理了 4,681 名认知正常的参与者的大脑磁共振成像，其中一些人在晚年出现了认知能力下降或阿尔茨海默病。

利用这些数据，他们创建了一个名为神经网络的人工智能模型，通过参与者的大脑磁共振成像来预测他们的年龄。首先，研究人员训练该网络生成详细的大脑解剖图，以揭示特定的衰老模式。然后，他们将研究参与者的感知（生物学）大脑年龄与实际（时序）年龄进行了比较。两者之间的差异越大，参与者的认知评分就越差，这反映了阿尔茨海默病的风险就越高。

结果表明，该团队的模型可以预测认知正常参与者的真实年龄（实足年龄），平均绝对误差为 2.3 年，这比现有的使用不同神经网络架构的脑年龄估算模型要准确大约一年。

“可解读的人工智能可以成为评估阿尔茨海默病和其他神经认知疾病风险的强大工具，” Irimia 说，他还在 USC Viterbi 工程学院和 USC Dornsife 文理学院担任教职，“我们越早识别出阿尔茨海默病的高危人群，临床医师就能越早对治疗方案、监测和疾病管理进行干预。人工智能的强大之处在于它能够捕捉到其他方法无法捕捉到的微妙和复杂的衰老特征，这是在一个人患病多年前识别其风险的关键。”

大脑的年龄因性别而异

新模型还揭示了不同大脑区域的性别差异。男性大脑的某些部分比女性衰老得更快，反之亦然。

男性更容易因帕金森病而出现运动障碍，他们的大脑运动皮层（负责运动功能的区域）衰老得更快。研究结果还表明，在女性中，典型的衰老可能在右脑相对较慢。

一个新兴的研究领域显示了个性化医疗的前景

这项工作的应用范围远远超出了疾病风险评估。Irimia 设想了这样一个世界：作为研究的一部分开发的新型深度学习方法可以帮助人们了解自己的总体衰老速度。

Irimia 说：“我们的工作最重要的应用之一是，它有可能为针对每个人独特的衰老模式的定制干预措施铺平道路。”

“很多人会对自己的真实衰老速度感兴趣。这些信息可以为我们提供有关不同生活方式改变或干预措施的线索，人们可以采取这些措施来改善他们的整体健康和福祉。我们的方法可以用来设计以患者为中心的治疗计划和个性化的大脑衰老地图，这些可能会让有不同健康需求和目标的人感兴趣。”

创立于1880年的南加州大学

参考文献

Source：University of Southern California

How old is your brain, really? AI-powered analysis accurately reflects risk of cognitive decline and Alzheimer’s disease based on brain age

Reference：

Yin C, Imms P, Cheng M, Amgalan A, Chowdhury NF, Massett RJ, Chaudhari NN, Chen X, Thompson PM, Bogdan P, Irimia A; Alzheimer’s Disease Neuroimaging Initiative. Anatomically interpretable deep learning of brain age captures domain-specific cognitive impairment. Proc Natl Acad Sci U S A. 2023 Jan 10;120(2):e2214634120. doi: 10.1073/pnas.2214634120. Epub 2023 Jan 3. PMID: 36595679.

本公众号上的医疗信息仅作为信息资源提供与分享，不用于或依赖于任何诊断或治疗目的。此信息不应替代专业诊断或治疗。在做出任何医疗决定或有关特定医疗状况的指导之前，请咨询你的医生。

关爱父母 关注阿尔茨海默病