基于卷积神经网络的重度抑郁症患者大脑年龄评估

大脑年龄已成为神经退行性疾病诊断和机理研究的重要分析对象.重度抑郁症是否会增加患者的大脑年龄,尚未得到一致的结论,且该方向的研究在中国人口内开展较少.本文使用从中国25家医院收集的REST-meta-MDD数据集,构建基于高分辨率T1-加权3D大脑结构磁共振图像的卷积神经网络模型,用于预测患者的大脑年龄,计算与实际年龄的差异.最终结果的平均绝对误差和相关系数为3.16和0.93,与健康组对比,重度抑郁症患者的平均大脑年龄增加了3.94年,进一步确认了重度抑郁症会加速大脑衰老,且患病程度与患者的性别、年龄和受教育程度相关.对比传统机器学习算法,该模型取得结果的平均绝对误差更小,相关系数更高.

基于影像组学预测大脑年龄与缺血性卒中的研究进展

大脑年龄作为一种个体化的脑健康影像学表型,是衡量大脑衰老程度的新型神经影像学生物标志物。个体大脑年龄与实际年龄之间的偏差,即脑年龄估值差,反映了大脑衰老的轨迹和速率。既往研究表明,缺血性卒中患者的脑年龄估值差升高与其预后不良存在显著关联。此外,缺血性脑损伤加速了卒中患者的大脑衰老过程,提示大脑衰老与缺血性卒中之间可能形成恶性循环。本文就大脑年龄预测的方法学框架、影响大脑衰老速率的因素、大脑年龄与缺血性卒中的关联及多组学数据联合分析的研究进展进行综述,旨在为卒中相关的衰老生物学研究提供新的视角。

脑年龄估值差对健康老龄大脑认知储备的定量分析

认知储备是指个体自适应地利用神经网络对神经退行性疾病所造成的脑损伤进行补偿的能力。认知储备一般通过测量静态代理变量的方式来进行间接估算。神经影像研究的结果表明多种神经退行性疾病的患者,由于其大脑加速老化会具有较高的大脑年龄估值差。本研究将大脑年龄估值差用于认知储备的间接测量中,并将大脑年龄差估值的概念进一步延伸至健康老年人的认知储备的研究中。72名健康老年人接受了相同的认知功能的综合评估和结构磁共振图像采集。结果表明,大脑年龄估值差分数较低的个体,认知功能可以获得较好地保护,认知储备消耗的速度也相对较慢。大脑年龄估值差的变化可能可以捕捉到认知储备的动态变化,并能够反映大脑网络如何通过动态自适应来补偿脑损伤的过程。

基于MRI的机器学习模型研究吸烟与大脑年龄的关系

目的通过基于MRI的机器学习模型来预测吸烟者及健康对照者大脑年龄,进一步探讨吸烟与大脑老化的关系。方法该研究为回顾性研究。数据集1为2014年8月至2017年10月郑州大学第一附属医院募集的男性吸烟者95名[年龄20~50(34±7)岁]和健康对照者49名[年龄20~50(33±7)岁]。数据集2为2010至2015年西南大学成人影像数据库的114名男性健康志愿者[年龄20~50(34±11)岁]。所有受检者均接受高分辨三维T1WI。基于数据集1和数据集2健康对照者的结构MR图像构建高斯过程回归(GPR)模型和支持向量机模型预测大脑年龄,并通过交叉验证法验证模型性能,计算预测大脑年龄与实际年龄间的平均绝对误差(MAE)、实际年龄和预测大脑年龄之间的相关性(r值),最终筛选出最佳模型。将最佳模型应用于吸烟者和健康对照者预测其大脑年龄。最后以年龄、教育年限及颅内总容积为协变量,通过一般线性模型比较吸烟者和健康对照者的大脑年龄差值(PAD)的差异。结果GPR模型预测大脑年龄(MAE=5.334,r=0.747)优于支持向量机模型(MAE=6.040,r=0.679)。GPR模型预测数据集1的吸烟者PAD值(2.19±6.64)高于数据集1的健康对照者(‒0.80±8.94),差异有统计学意义(F=8.52,P=0.004)。结论基于MRI的GPR模型预测吸烟者及健康对照者大脑年龄性能较好,吸烟者PAD值增加,进一步表明吸烟会加速大脑老化。

身体素质对脑年龄估值差影响的研究

目的:将身体素质水平作为大脑老化的一种潜在保护方式进行研究,为脑功能障碍患者的康复治疗提供参考。方法:基于594名健康中老年人的MRI影像数据,采用AlexNet的迁移学习进行特征提取,通过池化和主成分分析方法进行特征降维,并采用相关向量回归方法建立脑年龄预测模型。另选取123名中老年人,对其脑年龄估值差与身体素质(包括最大摄氧量、氧通气当量、呼气末最大二氧化碳分压、运动时间和体质量指数等指标)的关系进行分析。结果:大脑年龄估值差与最大摄氧量、运动时间和体质量指数之间存在显著关联。结论:较高身体素质水平可能会有助于延缓大脑的衰老过程。

丰富环境刺激对小鼠脑认知储备影响的定量研究

目的:研究丰富环境刺激对小鼠脑认知储备的影响,以改进大脑年龄估值差(brain age gap estimation,Brain AGE)敏感度较低的问题。方法:采用21只清洁级健康成年C57BL/6J雄性小鼠(15月龄),并基于标准环境组、丰富环境组一、丰富环境组二的磁共振显微成像(magnetic resonance microcopy,MRM),运用尺度子配置模型(scaled subprofile model,SSM)对组间最能反映认知储备变化的特征进行分析。结果:丰富环境组和标准环境组的平均Brain AGE在刺激开始后始终存在显著差异。验证了基于Brain AGE预测认知储备的一些假设,经优化后的Brain AGE预测模型可以解释丰富环境刺激时间中58.9%的差异。结论:改善后的Brain AGE测量模型对测量认知储备的余度具有敏感性,可以较好地预测认知储备的余度。