PNAS：新的人工智能模型测量大脑衰老的速度

南加州大学的研究人员表示，一种新的人工智能模型可以测量患者大脑衰老的速度，可能成为理解、预防和治疗认知能力下降和痴呆症的有力新工具。

　　

一种新的人工智能模型可以测量患者大脑老化的速度，这可能是理解、预防和治疗认知衰退和痴呆症的有力新工具，美国南加州大学的研究人员表示。

这种首创的工具可以通过分析磁共振成像（MRI）扫描非侵入性地追踪大脑变化的速度。更快的大脑老化与更高的认知障碍风险密切相关，南加州大学老年学学院副教授、生物医学工程、定量与计算生物学以及神经科学教授，同时也是伦敦国王学院心理医学访问副教授安德烈·伊里米亚（Andrei Irimia）表示：“这是一种新颖的测量方法，可能会改变我们在研究实验室和临床中追踪大脑健康的方式。知道自己的大脑老化速度有多快是非常强大的。”

伊里米亚是描述这一新模型及其预测能力的研究的通讯作者，该研究于2025年2月24日发表在《美国国家科学院院刊》上。

生物学大脑年龄与实际年龄

生物学年龄与个人的实际年龄不同，伊里米亚说。两个基于出生日期同龄的人可能因身体机能和细胞水平上组织的“老化”程度而具有非常不同的生物学年龄。

一些常见的生物学年龄测量方法使用血液样本测量表观遗传老化和DNA甲基化，这会影响基因在细胞中的作用。然而，伊里米亚解释说，从血液样本测量生物学年龄并不是测量大脑年龄的好策略。大脑与血液之间的屏障阻止了血细胞进入大脑，因此从手臂抽取的血液样本并不能直接反映大脑中的甲基化和其他与老化相关的进程。相反，直接从患者大脑中取样是一种更具侵入性的程序，使得从活体人类大脑细胞中直接测量DNA甲基化和其他大脑老化方面变得不可行。

伊里米亚及其同事之前的研究强调了MRI扫描非侵入性测量大脑生物学年龄的潜力。早期模型使用人工智能分析将患者的脑解剖结构与来自数千人各种年龄和认知健康结果的MRI扫描数据进行比较。

然而，他指出，从单次扫描估计大脑年龄的横断面分析方法存在重大局限性。例如，虽然早期模型可以说出患者的脑比日历年龄“老”十岁，但它无法提供这种额外老化是发生在他们生命的早期还是后期，也无法表明大脑老化是否正在加速。

更准确的大脑老化图景

新开发的三维卷积神经网络（3D-CNN）提供了一种更精确地测量大脑随时间老化的方法。该模型由伊里米亚与南加州大学维特比工程学院电气与计算机工程副教授、杰克·穆努什安早期职业讲席教授保罗·博格丹（Paul Bogdan）合作创建，并在3000多名认知正常成年人的MRI扫描上进行了训练和验证。

与传统横断面方法不同，传统方法从单个时间点的一次扫描估计大脑年龄，这种纵向方法比较同一个体的基线和随访MRI扫描。因此，它更准确地确定了与加速或减缓老化相关的神经解剖变化。3D-CNN还生成可解释的“显著性图”，这些图显示了哪些特定大脑区域对确定老化速度最重要，博格丹说。

当应用于104名认知健康成年人和140名阿尔茨海默病患者时，新模型对大脑老化速度的计算与在两个时间点进行的认知功能测试的变化密切相关。

“这些测量与认知测试结果的一致性表明，该框架可能作为神经认知衰退的早期生物标志物，”博格丹说，“此外，它证明了其在认知正常个体和认知障碍者中的适用性。”

他还表示，该模型有可能更好地描述健康老化和疾病轨迹，并且其预测能力有一天可以应用于根据个体特征评估哪些治疗更有效。

“大脑老化速度与认知功能的变化密切相关，”伊里米亚说，“因此，如果你的大脑老化速度很快，你更有可能出现认知功能（包括记忆、执行速度、执行功能和处理速度）的快速退化。这不仅仅是一个解剖学指标；我们在解剖学上看到的变化与这些个体的认知变化相关。”

展望未来

在研究中，伊里米亚和合著者还指出，新模型能够区分大脑不同区域的老化速度差异。深入研究这些差异——包括它们如何因遗传、环境和生活方式因素而变化——可能有助于了解大脑中不同病理的发展，伊里米亚说。

研究还表明，某些大脑区域的老化速度在性别之间存在差异，这可能有助于解释为什么男性和女性面临不同的神经退行性疾病风险，包括阿尔茨海默病，他补充说。

伊里米亚表示，他也很高兴新模型有可能在认知障碍症状出现之前识别出大脑老化速度异常的人。虽然针对阿尔茨海默病的新药物已经问世，但其效果并不如研究人员和医生所希望的那样好，可能是因为患者可能直到大脑中已经存在大量阿尔茨海默病病理时才开始用药，他解释说。

“我的实验室非常感兴趣的是估计阿尔茨海默病的风险；我们希望有一天能够说，‘目前看来，这个人有30%的阿尔茨海默病风险。’我们还没有到那一步，但我们正在努力，”伊里米亚说，“我认为这种测量将有助于产生预测变量，帮助预测阿尔茨海默病的风险。这将非常强大，尤其是当我们开始开发预防药物时。”