在中年和老年人中开发和验证大脑衰老生物标志物:深度学习方法
Zihan Li1, Jun Li2, Jiahui Li1
1Center for Clinical Big Data and Analytics, The Second Affiliated Hospital and Department of Big Data in Health Science, School of Public Health, Zhejiang University School of Medicine, Zhejiang University, Hangzhou, China.
JMIR aging
|August 1, 2025
概括
这项研究引入了一种新的深度学习模型,脑视觉图形神经网络 (BVGN),用于精确评估大脑衰老. 该BVGN模型准确地预测认知能力下降,并有助于早期发现神经退行性疾病,如轻度认知障碍 (MCI).
科学领域:
- 神经成像和人工智能的人工智能
- 发现神经退行症的生物标志物
- 计算神经科学是一种神经科学.
背景情况:
- 准确的脑衰老评估对于早期发现神经退行性疾病至关重要.
- 目前基于MRI的方法需要改进,以捕捉局部大脑形态和拓结构.
研究的目的:
- 开发和验证一个深度学习框架 (BVGN) 来准确估计大脑衰老.
- 整合连接性和复杂性,以提高预测衰老的准确性.
- 促进神经退行性疾病的早期识别.
主要方法:
- 利用了来自阿尔茨海默氏病神经成像计划的5889个T1加权MRI扫描.
- 开发了一种新的脑视觉图神经网络 (BVGN),具有神经生物学知识的特征.
- 在外部英国生物库数据集 (N=34,352) 上验证模型性能和概括.
主要成果:
- BVGN的平均绝对误差 (MAE) 为2.39年,超过了现有的方法.
- 大脑年龄差距在认知状态之间显示出显著的差异 (CN,MCI,阿尔茨海默病;P<.001).
- 与传统标志物相比,BVGN在MCI检测方面表现出更高的区分能力 (AUC=0.885).
结论:
- BVGN为评估大脑衰老提供了一个精确和可概括的框架.
- 由此产生的大脑年龄差距作为早期MCI识别和认知衰退预测的敏感生物标志物.
- 在神经退行性疾病管理中,BVGN具有显著的临床应用潜力.
