0项
显示大脑年龄预测模型框架的流程图。A、将成像数据分为训练数据集和测试数据集。训练数据集包括974名健康个体的结构磁共振成像数据，而测试数据集包括两组数据，231名健康对照组和224名aMCI受试者。B、采用常规的统计参数映射结构预处理流水线在MNI空间中生成GMV映射;C，从GMV地图中提取强度值并拼接，创建一个特征矩阵，然后对其进行清理和规范化。D，对训练数据集进行监督学习，得到最佳弹性网络模型。为了优化超参数，进行了网格搜索。E，测试数据集被输入到训练的模型中。测试数据集中包含的每个参与者的年龄都被预测。PAD得分是通过参与者的实际年龄减去他或她的预测年龄来计算的。 aMCI = amnestic mild cognitive impairment, GMV = gray matter volume, MNI = Montreal Neurologic Institute, Dartel = Diffeomorphic Anatomic Registrations Through Exponentiated Lie Algebra, PAD = predicted age difference. Chart courtesy of Radiological Society of North America
2021年6月23日——研究人员开发了一种人工智能发表在《科学》杂志上的一项研究表明，基于人工智能(AI)的脑年龄预测模型可以量化轻度认知障碍患者偏离健康脑衰老轨迹的偏差放射学:人工智能．该模型有可能在个人水平上帮助早期发现认知障碍。
遗忘型轻度认知障碍(aMCI)是由正常老化向阿尔茨海默病(广告)。aMCI患者的记忆缺陷比他们的年龄和受教育程度更严重，但没有严重到影响日常功能。
在这项研究中，来自北京师范大学认知神经科学与学习国家重点实验室的倪舒博士及其同事使用机器学习方法，基于974名年龄从49.3岁到95.4岁的健康成年人的t1加权MR图像，训练了一个大脑年龄预测模型。应用训练后的模型对北京老年脑振兴计划(616例健康对照和80例aMCI患者)和北京老年脑振兴计划aMCI患者的预测年龄差(预测年龄与实际年龄)进行估计阿尔茨海默病神经成像计划(589例健康对照和144例aMCI患者)数据集。
研究人员还检查了预测的年龄差异与认知障碍、遗传风险因素、AD的病理生物标志物和aMCI患者的临床进展之间的关系。
结果显示，aMCI患者的脑衰老轨迹不同于典型的正常衰老轨迹，所建立的脑年龄预测模型可以量化这些患者偏离典型正常衰老轨迹的个体偏差。预测的年龄差异与aMCI患者在多个领域的个体认知损伤显著相关，具体包括记忆、注意力和执行功能。
“我们生成的预测模型在仅根据外貌估计健康参与者的实际年龄方面非常准确核磁共振扫描研究人员写道。“相比之下，对于aMCI，该模型估计的大脑年龄比患者的实际年龄平均大2.7岁以上。”
该模型进一步表明，进行性aMCI患者比稳定型aMCI患者更偏离典型的正常衰老，使用预测的年龄差评分以及其他ad特异性生物标志物可以更好地预测aMCI的进展。载脂蛋白E (APOE) ε4携带者的预测年龄差异大于非携带者，淀粉样蛋白阳性患者的预测年龄差异大于淀粉样蛋白阴性患者。
将预测的年龄差异与AD的其他生物标志物相结合，可以更好地区分进行性aMCI与稳定性aMCI。
作者总结道:“这项研究表明，预测年龄差异有可能成为一种可靠的、计算机化的生物标志物，用于早期诊断认知障碍和监测治疗反应。”
更多信息:www.rsna.org
09年9月,2022年
