早期识别这种神经解剖结构变化有助于根据个体的AD风险对其进行筛查。
内容提要
(资料图片)
人类大脑掌握着许多关于一个人长期健康的线索。既往有研究表明，一个人的大脑年龄比他们的出生日期更有用、更准确地预测健康风险和未来疾病。近日，南加州大学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，可用于准确捕获与阿尔茨海默氏症等神经退行性疾病相关的认知能力下降，该研究于2023年1月3日发表在《PNAS》上。
研究截图
现状
脑衰老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该人年龄的人预期的“老”的特征时，这种风险就会增加。
南加州大学伦纳德戴维斯老年学学院，生物医学工程，定量和计算生物学和神经科学助理教授Andrei Irimia表示：
我们的研究利用深度学习的力量来识别大脑中衰老的区域，这些区域反映了可能导致阿尔茨海默氏症的认知能力下降；
人们以不同的速度衰老，体内的组织类型也是如此。比如当我们说“某某四十岁，但看起来三十岁”，同样的想法也适用于大脑。四十岁的大脑可能看起来和三十岁的大脑一样"年轻"，或者看起来和六十岁的大脑一样“老”。
结论
研究人员整理了4681名认知正常参与者的大脑MRI，其中一些人在以后的生活中继续发展为认知能力下降或阿尔茨海默病。
利用这些数据，研究者创建了一个称为神经网络的人工智能模型，通过参与者的大脑MRI预测参与者的年龄。首先，研究人员训练网络生成详细的解剖学大脑图谱，揭示特定对象的衰老模式。然后，他们将感知的（生物）大脑年龄与研究参与者的实际（实际）年龄进行了比较。两者之间的差异越大，参与者的认知得分就越差，这反映了阿尔茨海默氏症的风险。
研究结果发现：
脑年龄（BA）估计误差明显低于以前的研究；
在个人和队列水平上，卷积神经网络（CNN）提供了大脑衰老模式的详细解剖图，揭示了轻度认知障碍（MCI，N = 351）和阿尔茨海默病（AD，N = 359 ）的成年人的性别二态性和神经认知轨迹；
在 MCI 患者中（其中 54% 在 MRI 采集后 10.9 年内被诊断为痴呆），BA 在捕获痴呆症状严重程度、功能障碍和执行功能方面明显优于 CA；
大脑衰老中的性别二态性和侧向化的概况也映射到反映认知能力下降的神经解剖学变化模式上。
展望
也就是说，BA和神经认知测量之间的显著关联表明，所提出的框架可以系统地绘制CN个体与MCI或AD参与者中与衰老相关的神经解剖学变化之间的关系。早期识别这种神经解剖结构变化有助于根据个体的AD风险对其进行筛查。
Andrei Irimia表示：
可解释的人工智能可以成为评估阿尔茨海默氏症和其他神经认知疾病风险的有力工具，我们越早确定阿尔茨海默病高风险人群，临床医生就可以越早干预治疗方案，监测和疾病管理；
人工智能之所以特别强大，是因为它能够发现衰老的微妙和复杂的特征，这是其他方法无法做到的，而且这些特征是在一个人患上疾病之前多年识别风险的关键；
我们工作最重要的应用之一是它有可能为解决每个人独特衰老模式的定制干预措施铺平道路，许多人都有兴趣了解他们的真实衰老速度；
这些信息可以为我们提供关于不同生活方式改变或干预措施的提示，一个人可以采取这些干预措施来改善他们的整体健康和福祉；
我们的方法可用于设计以患者为中心的治疗计划和个性化的大脑衰老地图，具有不同健康需求和目标的人可能对这些地图感兴趣。
责编：陈丽金
校对：臧恒佳
编辑：赵 静
*"医学界"力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。
点击“阅读原文”，查看更多资讯~
