AI模型预测脑衰老速度可以检测认知能力下降 - 神经科学新闻

概括：一个新的AI模型可以测量一个人的大脑使用MRI扫描衰老的速度，从而为检测认知能力下降提供了强大的工具。与以前的方法不同，该模型随着时间的流逝跟踪大脑衰老，识别最受影响的区域并将变化与认知功能相关联。

研究人员发现，更快的大脑衰老与认知障碍有很强的联系，这表明早期干预可以帮助预防神经退行性疾病。这一突破可能会导致更好的诊断，个性化治疗方法以及对阿尔茨海默氏症风险的早期识别。

关键事实

• 跟踪大脑衰老：AI模型会随着时间的推移分析MRI扫描，以测量大脑年龄的速度，提供比以前的方法更精确的方法。
• 认知下降预测指标：更快的大脑衰老与认知功能的降低相关，包括处理速度较慢和记忆力下降。
• 早期诊断的潜力：该模型可能有助于在出现症状之前识别出患阿尔茨海默氏症的高风险的人，从而实现较早的干预措施。

来源：南加州大学

根据USC研究人员的说法，一种新的人工智能模型可以衡量患者的大脑衰老的速度，并且可能是理解，预防和治疗认知能力下降和痴呆症的有力新工具。

首先使用的工具可以通过分析磁共振成像（MRI）扫描来非侵入性地跟踪大脑变化的速度。

USC伦纳德·戴维斯（USC）伦纳德·戴维斯（Leonard Davis）老年学院的老年医学，生物医学工程，定量和计算生物学和神经科学副教授Andrei Irimia表示，更快的大脑衰老与认知障碍的风险更高。伦敦大学。

他说，这是一种新颖的测量方法，可以改变我们在研究实验室和诊所中跟踪大脑健康的方式。”知道一个人衰老的速度有多快。

Irimia是该研究的高级作者，描述了新模型及其预测能力。该研究于2025年2月24日在 国家科学院论文集。

生物脑时代与年龄

Irimia说，生物年龄与个人年龄不同。由于身体的功能以及身体的老龄化似乎在细胞水平上，两个基于出生日期的年龄的人可能具有非常不同的生物年龄。

生物年龄的一些常见测量方法使用血液样本来测量表观遗传衰老和DNA甲基化，从而影响基因在细胞中的作用。但是，从血液样本中测量生物年龄是测量大脑年龄的差异策略。

大脑和血液之间的障碍可防止血细胞越过大脑，从而使一个人的血液样本不会直接反映甲基化和大脑中与衰老相关的其他过程。

相反，直接从患者的大脑中采取样品是一种更具侵入性的手术，这使得直接从活着的人脑细胞中测量DNA甲基化和大脑衰老的其他方面是不可行的。

Irimia及其同事的先前研究强调了MRI扫描非侵入性测量大脑生物学时代的潜力。

较早的模型使用AI分析将患者的脑解剖结构与从成千上万不同年龄和认知健康结果的MRI扫描中汇编的数据进行了比较。

但是，分析一项MRI扫描以估计脑时代的横截面性质有主要局限性。

虽然以前的模型可以说明患者的大脑是否比日历年龄大十岁，但它无法提供有关该额外衰老是生命中早期还是晚些时候的信息，也不能指示大脑衰老是否正在加速。

更准确的大脑衰老

新开发的三维卷积神经网络（3D-CNN）提供了一种更精确的方法来衡量大脑随着时间的流逝的年龄。该模型与USC Viterbi工程学院的杰克·穆什（Jack Munushian）早期职业生涯主席的副教授，电气和计算机工程副教授以及该模型由3,000多个认知正常成年人的MRI扫描进行了验证。

与传统的横截面方法不同，该方法从一个时间点上的一次扫描估算了大脑年龄，这种纵向方法比较了同一个体的基线和随访MRI扫描。结果，它更准确地指出了与加速或减速衰老相关的神经解剖学变化。

Bogdan说，3D-CNN还产生了可解释的显着性图，这表明特定的大脑区域对于确定衰老速度最重要。

当应用于一组104个认知健康的成年人和140名阿尔茨海默氏病患者时，新模型的脑老化速度计算与两个时间点上给出的认知功能测试的变化密切相关。

博格丹说，这些措施与认知测试结果的一致性表明，该框架可能是神经认知能力下降的早期生物标志物。”此外，它证明了其在认知正常人和认知障碍的人中的适用性。

他补充说，该模型具有更好地表征健康衰老和疾病轨迹的潜力，其预测能力有一天可以用于评估哪种治疗方法基于个体特征将更有效。

Irimia说，脑老化的率与认知功能的变化显着相关。”因此，如果您的大脑衰老率很高，那么您更有可能在认知功能上具有很高的降解率，包括记忆，执行速度，执行功能和处理速度。这不仅是一种解剖学措施；我们在解剖学中看到的变化与我们在认知这些个体中看到的变化有关。

展望未来

在这项研究中，IRIMIA和合着者还注意到新模型如何能够区分大脑各个区域的不同衰老率。Irimia说，深入研究这些差异，包括它们如何根据遗传学，环境和生活方式因素变化。

该研究还表明，某些地区的大脑衰老的速度在性别之间有所不同，这可能会阐明男人和女人为什么在内的神经退行性疾病（包括阿尔茨海默氏症）面临不同的风险。

Irimia说，他也对新模型的潜力在显示出任何认知障碍的症状之前识别出比正常脑老化速度更快的人的潜力感到兴奋。

尽管已经引入了针对阿尔茨海默氏症的新药，但它们的疗效比研究人员和医生所希望的要少，这可能是因为患者可能不会开始使用该药物，直到已经存在大量的阿尔茨海默氏病病理学。他解释说。

我的实验室非常感兴趣的一件事是估计阿尔茨海默氏症的风险；我们想有一天能够说：“现在，这个人似乎有30％的阿尔茨海默氏症风险。irimia说。

我认为，这种措施对于产生预后的变量并可以帮助预测阿尔茨海默氏症的风险非常有帮助。那将是真的很强大，尤其是当我们开始开发潜在的预防药物时。

该研究的作者与Irimia和Bogdan一起，包括第一作者Chenzhong Yin和USC Viterbi工程学院和Phoebe E. Imms，Nahian F. Chowdhury，Nikhil N. Chaudhari和USC Leonard的Haoqing Wang Wang戴维斯老年学院。

资金：对这项研究的支持来自美国国立卫生研究院（NIH），根据R01 NS 100973，RF1 AG 082201和R01 AG 079957；国防部根据合同W81XWH-18-1-0413；国家科学基金会根据职业奖CPS/CNS-1453860，MCB-1936775和CNS-1932620授予CPS/CNS-1453860；美国陆军研究办公室根据授予W911NF-23-1-0111；DARPA获得了年轻教师奖，并获得董事奖N66001-17-1-4044；英特尔教师奖；Northtrop Grumman；汉森·索雷尔（Hanson-Thorell）研究奖学金基金；本科研究助理计划；USC Viterbi工程（曲线）的本科研究中心；和匿名捐助者。

关于这个AI和大脑老化的研究新闻

作者：伊丽莎白·纽科姆（Elizabeth Newcomb）
来源：南加州大学
接触：伊丽莎白·纽科姆（Elizabeth Newcomb）
图像：图像被认为是神经科学新闻

原始研究：封闭式访问。
深度学习以量化与神经认知变化有关的大脑衰老的速度Andrei Irimia等人。PNAS

抽象的

深度学习以量化与神经认知变化有关的大脑衰老的速度

可以从MRI估计的与年代年龄（CA）不同的脑年龄（BA）以评估认知正常（CN）个体中的神经解剖学衰老。然而，BA是一种横断面的措施，总结了自出生以来累积神经解剖学衰老。

因此，它传达了近期或同时的衰老趋势，可以通过（时间）速度更好地量化 p脑老化。许多地图的方法 p然而，依靠量化全血细胞中的DNA甲基化，血液脑屏障与神经脑细胞分离。

我们引入了三维卷积神经网络（3D-CNN）以估算 p纵向MRI无创的。

我们的纵向模型（LM）接受了来自2,055名CN成年人的MRI训练，在1,304名CN成年人中进行了验证，并进一步应用于104名成人和140例阿尔茨海默氏病（AD）的独立队列。在测试集中，LM计算 p–平均绝对误差（MAE）为0.16 y（平均误差为7％）。

这显着优于最准确的横截面模型，其MAE为1.85 y的误差为83％。通过使用可解释的CNN显着性方法协同LM，我们绘制了根据性别，生活十年和神经认知状况不同的区域脑老化率的解剖变化。

LM的估计值 p与跨域认知功能的变化显着相关。这突显了LM估计的能力 p以一种捕获神经解剖学和神经认知衰老之间关系的方式。

这项研究补充了现有的AD风险评估策略，以估计个人随着年龄的不良认知变化率。