华盛顿 – 人们常说，“时间都去哪儿了？”对于大脑而言，时间不仅流逝，还会留下衰老的痕迹。而现在，科学家们正试图通过人工智能来解码大脑的“衰老时钟”，以便更早地预测认知功能衰退和神经退行性疾病的风险。
南加州大学（University of Southern California）的研究团队近日在《美国国家科学院院刊》（PNAS）上发表了一项突破性研究，他们开发了一种基于纵向MRI（磁共振成像）和三维卷积神经网络（3D-CNN）的纵向模型（Longitudinal Model，LM），能够以非侵入式的方式精准量化大脑的衰老速度。更重要的是，该模型还能揭示大脑不同区域的衰老速率差异，为早期诊断和干预阿尔茨海默病（AD）等疾病提供了新的视角。
传统脑龄模型的局限性
传统的“脑龄”（Brain Age，BA）模型通过分析MRI图像来评估大脑的整体衰老程度。然而，这些模型只能反映从出生到检测时间点的累积衰老效应，无法捕捉近期或动态的衰老速率。这意味着，它们难以在神经退行性疾病的早期阶段发出预警。
此外，现有的基于血液DNA甲基化的衰老速度（Pace of Aging，P）检测方法，虽然能够估算全身的衰老速度，但由于血脑屏障的存在，难以准确反映神经组织的真实衰老状态。
纵向模型：捕捉大脑衰老速度的“快照”
为了克服这些局限性，南加州大学的研究团队另辟蹊径，开发了一种纵向模型（LM）。该模型的创新之处在于，它将两次纵向MRI的体素级差值（ΔI）作为输入，直接预测脑龄变化（ΔBA），进而计算衰老速度（P = ΔBA/ΔCA，其中ΔCA为实际时间间隔）。
简单来说，LM就像一个“大脑衰老速度照相机”，它通过比较两次MRI图像的细微差异，来捕捉大脑在特定时间段内的衰老速度。
LM的优势与突破
与传统的横断面模型相比，LM具有显著的优势：
- 更高的精度： 在认知正常（CN）的测试集中，LM的ΔBA估计平均绝对误差（MAE）仅为0.16年，远低于其他横断面模型。
- 更强的稳定性： 在独立队列验证中，LM的MAE稳定在0.20年，而其他模型误差高达4.53年。
- 更好的适用性： 对于阿尔茨海默病（AD）患者，LM的MAE为0.50年，仍然优于横断面方法。
- 更强的关联性： LM估算的P与神经认知评分变化显著相关，能够更好地预测认知功能的衰退。
大脑老化速率与认知功能衰退的关联
研究团队进一步分析发现，大脑老化速率P与认知功能变化密切相关。当P高于预期值时，参与者在ADAS评分上表现出显著增加，表明认知功能下降更为明显。同时，这些参与者在记忆力测试和执行功能测试中表现也更差。
这些发现表明，大脑老化速率P可以作为预测认知功能衰退的重要指标，为早期干预提供了依据。
大脑老化的解剖学特征
通过结合LM与可解释的CNN显著性映射技术，研究团队还对不同性别、年龄段和认知状态下大脑老化速率的区域解剖学变化进行了精确定位。
研究发现，不同性别的大脑衰老模式存在差异。在女性中，P估计主要依赖于右侧中央前回、双侧中央后回等区域；而在男性中，P估计更多依赖于左侧横额极回、右侧缘上回等区域。
此外，认知正常参与者与认知障碍患者的大脑衰老模式也存在明显差异。这些发现有助于我们更深入地了解大脑衰老的生物学机制。
未来展望
这项研究为我们理解大脑衰老过程提供了新的工具和视角。通过精准量化大脑的衰老速度，并揭示其解剖学特征，我们可以更早地预测认知功能衰退和神经退行性疾病的风险，为早期干预和治疗提供依据。
未来，研究团队计划进一步优化LM模型，并将其应用于更大规模的人群研究中，以验证其有效性和可靠性。同时，他们还将探索如何利用LM模型来评估不同干预措施（如运动、饮食、药物等）对大脑衰老的影响，为延缓大脑衰老提供新的策略。
参考文献
Views: 0