一个人的总体年龄通常是用物理时间来衡量的。随着体内成像和可靠的预测模型的出现，可以对年龄进行更精细的分级，将其划分为许多内部生物学尺度，如细胞、组织、器官和认知老化等。对体内大脑年龄的准确估计可以帮助我们了解其不同的衰老模式，以及由于疾病过程的负担而加速的过度衰老，最终导致痴呆。现代机器学习算法允许使用MRI数据精确估计大脑年龄。

Nagesh Adluru等在Alzheimer's & Dementia杂志发表研究文章，该研究的目的是评估3D全卷积神经网络(FCNN)的适用性，该网络在一个由超过10,000张来自英国生物库的t1加权(T1-w) MR图像组成的大数据集上进行预训练，以获得阿尔茨海默病连接体项目的数据。

从152名参与者获得的T1-w数据进行了最低限度的预处理(脑模、B1偏差减少和线性配准到MNI)，并输入到预先训练的FCNN来预测他们的大脑年龄。日历年龄和大脑年龄差距之间的线性回归被用来纠正每一个预测的大脑年龄的偏差。

校正偏差前后的脑年龄预测，各组和性别的日历年龄的平均和传播，预测的平均绝对误差如图1所示。

图1.个体水平通过预先训练的FCNN(没有额外训练)和日历年龄来预测三组和两种性别的大脑年龄。

过度脑衰老的分位数如图2所示。

图2.对于三组和两种性别的每一组，多余的大脑老化分位数即偏差校正脑年龄和日历年龄之间的差距。虚线表示日历年龄和大脑年龄之间没有差距。如果按性别计算，这三组人的大脑超出年龄的中位数分别为:Cu 0.0, MCI 0.6, AD 0.9。

值得注意的是，在轻度认知障碍(MCI)患者中，女性大脑的过度衰老要高于男性，而非阿尔茨海默病(阿尔茨海默病对女性的影响大于男性)。

通过对T1w-MRI进行最小程度的预处理，英国生物银行预先训练的深度神经网络(DNN)，以及线性偏差校正，在ADCP中提供了极好的近似估计大脑年龄。分析显示，在男女平均水平上，AD组的大脑年龄和日历年龄之间的中位数差距约为一年，轻度认知障碍组约为半年，而CU组则为零。这为认知受损组(MCI/AD)的大脑加速老化提供了初步证据。未来的分析包括检查由于淀粉样蛋白和tau蛋白负担导致的过度大脑和认知老化。未来的工作需要开发DNN，以提高此类预测模型的泛化、标准化和个性化精度。

原文出处

Characterizing brain age in the Alzheimer's disease connectome project using a deep neural network pre-trained on the UK Biobank