利用人工智能追踪衰老大脑的认知偏差
![Flowchart showing the framework of the brain age prediction model. A, The imaging data were split into training and test datasets. The training dataset consisted of structural magnetic resonance imaging data from 974 healthy individuals, whereas the test dataset included data from 2 groups, 231 healthy controls and 224 aMCI subjects. B, A Conventional Statistical Parametric Mapping structural preprocessing pipeline was used to generate GMV maps in the MNI space. C, The intensity values from the GMV maps were extracted and concatenated to create a feature matrix that was then cleaned and normalized. D, The best elastic net model was obtained by performing supervised learning on the training dataset. To optimize the hyperparameters, a grid search was performed. E, The test dataset was input into the trained model. An age was predicted for every participant included in the test dataset. The PAD scores were calculated by subtracting the participant's chronological age from his or her predicted age. 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. Credit: Radiological Society of North America 研究人员使用人工智能来追踪衰老大脑的认知偏差](https://scx1.b-cdn.net/csz/news/800a/2021/researchers-use-ai-to.jpg)
根据发表在《科学》杂志上的一项研究,研究人员开发了一种基于人工智能(AI)的大脑年龄预测模型,以量化轻度认知障碍患者健康大脑衰老轨迹的偏差放射学:人工智能.该模型有可能在个体水平上帮助早期发现认知障碍。
遗忘轻度认知障碍(aMCI)是正常衰老向阿尔茨海默病(AD)的过渡阶段。患有aMCI的人的记忆缺陷比他们的年龄和教育程度更严重,但还没有严重到影响日常功能的程度。
在这项研究中,来自中国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来训练大脑年龄预测模型基于974例t1加权MR图像健康的成年人年龄从49.3岁到95.4岁。训练后的模型被用于估计北京老化大脑恢复计划(616名健康对照组和80名aMCI患者)和阿尔茨海默病神经成像计划(589名健康对照组和144名aMCI患者)数据集中aMCI患者的预测年龄差异(预测年龄与实际年龄)。
研究人员还检查了预测年龄差异和认知障碍在aMCI患者中,AD的遗传危险因素、病理生物标志物和临床进展。
结果表明,aMCI患者的脑衰老轨迹不同于典型的正常衰老轨迹,所提出的脑年龄预测模型可以量化这些患者的典型正常衰老轨迹的个体偏差。预测的年龄差异与aMCI患者在几个领域的个体认知障碍显著相关,特别是包括记忆、注意力和执行功能。
研究人员写道:“我们生成的预测模型仅根据核磁共振扫描的外观就能高度准确地估计健康参与者的实际年龄。”“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患者表现出更多与典型正常衰老的偏差,并且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。ε4载脂蛋白E (APOE)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。
将预测年龄差异与AD的其他生物标志物相结合,在区分进行性aMCI与稳定aMCI方面表现最佳。
作者总结说:“这项工作表明,预测年龄差异有可能成为一种强大、可靠和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:Chan Heang-Ping,承诺与潜在陷阱:为人工智能建模重新创建图像或生成新图像,放射学:人工智能(2021)。DOI: 10.1148 / ryai.2021210102