梅奥诊所的科学家开发了一个计算模型，利用FDG-PET(氟脱氧葡萄糖正电子发射断层扫描)和结构MRI(磁共振成像)获得的大量神经成像数据来预测大脑年龄。基于深度学习的模型测试了各种形式的痴呆，包括轻度认知障碍(MCI)、阿尔茨海默病(AD)、额颞叶痴呆(FTD)和路易体痴呆(LBD)，以及正常大脑中的大脑年龄差距之间的关系。

医学博士大卫·琼斯是梅奥诊所神经病学和放射学的助理教授，他是这项研究的资深作者。

该研究的资深作者、梅奥诊所神经病学和放射学助理教授大卫·琼斯医学博士说:“我们正在梅奥诊所神经内科建立人工智能(AI)能力。几十年来，我们也一直在关注阿尔茨海默氏症和相关疾病的正常老化。该项目是这些使用人工智能模型改善护理和理解这些状况的更大努力的一部分。”

早期的研究已经证实，随着年龄的增长，大脑的结构和功能会发生变化，这些变化会加速神经退行性疾病的发生。

在这项新的研究中，作者指出，“我们开发了3D-DenseNet模型，训练大脑结构或代谢图像，它准确地估计了一个人在正常老化期间的大脑年龄。”这项研究发表在《自然衰老》(Nature Aging)杂志上(“基于深度学习的正常衰老和痴呆的大脑年龄预测”)。

“在这里，我们研究了基于深度学习的大脑年龄预测的生物标志物潜力，因为它与阿尔茨海默病的其他生物标志物及其预测未来认知能力下降的能力有关。这些类型的研究在衰老的潜在神经生物学及其与大脑功能退化疾病的关系方面也提供了大量信息。”琼斯说。

为了解释这些模型，研究人员进行了遮挡分析。遮挡表示图像上被其他人遮挡的结构，并影响深度学习模型如何分割图像中的结构。

“闭塞分析试图确定大脑的重要区域图像进行准确的预测进行比较的预测与部分成像包括与相同的预测模型没有提供的信息时大脑的这个区域,”琼斯说。

“简单地说，我们可以看到，当我们对大脑的某一部分隐藏信息时，模型崩溃得有多严重。当我们对大脑特定区域隐藏信息时，模型破坏得越多，这些信息对模型的表现就越重要，”他补充说。

为了训练人工智能模型系统预测大脑年龄，研究人员首先通过30岁至97岁的正常参与者的神经成像数据，训练该系统学习健康的衰老轨迹。利用遮挡分析，研究小组发现，通过对图像数据进行训练，模型能够根据个体的年龄和模式的特异性了解大脑衰老的模式。

该团队还研究了年龄和模式特异性显著图，使用每个年龄组的遮挡敏感性分析，其中更高的显著性表明该区域在估计大脑年龄中的重要性。

琼斯解释说:“通过可解释性实验，我们证明了与MRI结构成像相比，葡萄糖代谢图像的大脑衰老模式在解剖学上是不同的。这从大脑结构和功能的独特角度推进了对衰老和阿尔茨海默氏症生物学的理解。”

研究人员发现，大脑年龄差距的增加与认知障碍和AD生物标志物高度相关。大脑年龄的较大差距也揭示了在所有类型的痴呆症检测中都有一个纵向预测特征，尽管，有趣的是，大脑中产生大脑年龄差异的区域，对每组痴呆症患者来说都是不同的。

“基于大脑成像数据的深度学习准确预测年龄的能力已经为人所知一段时间了。然而，观察大脑年龄差距或预测和实际年龄之间的差异，被认为有潜力被用作生物标志物。其他人认为，这种大脑年龄差距只能标记治疗水平的生物学差异，无法跟踪状态的变化，因此不应该被解释为加速大脑衰老，”琼斯说。“我们研究的主要发现是，我们确实可以找到证据，证明大脑年龄差距大是一种加速大脑衰老的生物标志物。”

利用FDG PET扫描的脑代谢数据作为深度学习模型的输入来预测脑年龄是本研究采用的一种新方法。此外，脑代谢标志物与已建立的AD生物标志物和认知衰退的预测相关是一项新发现。

在后续项目中，琼斯和他的团队打算在临床工作流程中，对这些方法在不同的临床和成像样本中进行验证和测试，以便通过这种人工智能系统预测大脑年龄，可以集成到梅奥诊所用于评估患者的工具套件中。