深度学习用于量化与神经认知变化相关的大脑衰老的速度

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 老年学是一门学科.

背景情况:

• 来自MRI的脑年龄 (BA) 估计了累积的神经解剖学衰老,但没有捕捉到最近的衰老趋势.
• 现有的脑衰老速度 (P) 的方法经常使用DNA甲基化,DNA甲基化是由血脑屏障从脑细胞中分离出来的.

研究的目的:

• 引入一种使用纵向MRI估计大脑衰老速度的新型非侵入性方法 (P).
• 为了验证模型的准确性,并将其性能与横截面方法进行比较.
• 探索大脑衰老率的区域差异及其与认知功能和神经认知状态的关联.

主要方法:

• 一个三维卷积神经网络 (3D-CNN) 被开发为一个纵向模型 (LM) 来估计从纵向MRI数据P.
• 在2055名认知正常 (CN) 成人身上进行了LM的训练,并在1304名CN成年人身上进行了验证.
• 该模型进一步应用于一个由104名NC成年人和140名阿尔茨海默氏病 (AD) 患者组成的独立队列.

主要成果:

• LM估计P的平均绝对误差 (MAE) 为0.16年 (7%的误差),显著超过横截面模型 (MAE为1.85年,83%的误差).
• 该模型确定了与性别,寿命十年和神经认知状况相关的大脑衰老率的区域差异.
• 对P的LM估计显示了与跨领域认知功能变化的显著关联.

结论:

• 开发的纵向模型 (LM) 提供了一种准确且非侵入性的方法,通过MRI估计大脑衰老 (P) 的速度.
• 这种方法捕捉了神经解剖衰老和神经认知衰老之间的关系,为与年龄相关的认知变化提供了洞察力.
• 这些发现补充了现有的阿尔茨海默病风险评估策略,通过提供个体大脑衰老率的衡量标准.