一项新的人工智能（AI）模型可以通过核磁共振成像（MRI）扫描测量大脑衰老的速度，为检测认知衰退提供了强大的工具。与以往的方法不同，该模型能够追踪大脑随时间的衰老过程，识别受影响最严重的区域，并将这些变化与认知功能相关联。
研究发现，大脑衰老速度加快与认知功能下降密切相关，表明早期干预可能有助于预防神经退行性疾病。这一突破可能带来更好的诊断、个性化治疗以及更早识别阿尔茨海默病风险的方法。

关键事实

• 追踪大脑衰老：AI模型通过分析MRI扫描数据，测量大脑衰老速度，提供比以往方法更精确的测量方式。

• 认知衰退预测：大脑衰老速度加快与认知功能下降相关，包括处理速度减慢和记忆力衰退。

• 早期诊断潜力：该模型可能帮助在症状出现前识别出阿尔茨海默病高风险个体，从而实现早期干预。

研究背景
南加州大学（USC）的研究人员开发了一种新的人工智能模型，可以测量患者大脑衰老的速度，为理解、预防和治疗认知衰退及痴呆症提供了强大的新工具。这一首创工具通过分析核磁共振成像（MRI）扫描数据，非侵入性地追踪大脑变化的速度。
南加州大学伦纳德戴维斯老年学学院的副教授Andrei Irimia表示，大脑衰老速度加快与认知功能下降风险密切相关。他指出：“这是一种新颖的测量方法，可能改变我们在实验室和临床中追踪大脑健康的方式。了解大脑衰老的速度可能具有强大的意义。”
Irimia是这项研究的资深作者，该研究描述了新模型及其预测能力，并于2025年2月24日发表在《美国国家科学院院刊》（PNAS）上。

大脑生物年龄与实足年龄的区别
Irimia解释说，生物年龄与个体的实足年龄不同。两个实足年龄相同的人，由于身体功能的差异以及细胞水平的组织老化程度不同，可能具有非常不同的生物年龄。
一些常见的生物年龄测量方法使用血液样本来测量表观遗传衰老和DNA甲基化，这些因素会影响基因在细胞中的作用。然而，Irimia指出，从血液样本中测量生物年龄并不能很好地反映大脑的年龄。
血脑屏障阻止血细胞进入大脑，因此从手臂采集的血液样本并不能直接反映大脑中的甲基化和其他与衰老相关的过程。
相反，直接从患者大脑中取样是一种更具侵入性的方法，因此从活体人类脑细胞中直接测量DNA甲基化和其他大脑衰老方面的数据并不可行。
Irimia及其同事的早期研究强调了MRI扫描在非侵入性测量大脑生物年龄方面的潜力。之前的模型通过AI分析将患者的大脑解剖结构与数千名不同年龄和认知健康状况的人的MRI扫描数据进行比较。然而，这种基于单一MRI扫描的横断面分析存在重大局限性。
虽然之前的模型可以告诉患者其大脑比实际年龄“老”十岁，但它无法提供这些额外衰老是发生在生命早期还是晚期的信息，也无法表明大脑衰老是否在加速。

更精确的大脑衰老测量方法
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测量大脑随时间的衰老过程。该模型由南加州大学维特比工程学院的副教授Paul Bogdan合作开发，并在3000多份认知正常成年人的MRI扫描数据上进行了训练和验证。
与传统的横断面方法不同，这种纵向方法比较同一个体的基线和后续MRI扫描数据，从而更准确地识别与加速或减速衰老相关的神经解剖变化。
Bogdan表示，3D-CNN还生成可解释的“显著性图”，这些图指示了在确定衰老速度方面最重要的大脑区域。
当应用于104名认知健康成年人和140名阿尔茨海默病患者的群体时，新模型对大脑衰老速度的计算与两个时间点的认知功能测试结果变化密切相关。
Bogdan补充说：“这些测量结果与认知测试结果的一致性表明，该框架可能作为神经认知衰退的早期生物标志物。此外，它展示了其在认知正常个体和认知障碍患者中的适用性。”
他还表示，该模型有潜力更好地表征健康衰老和疾病轨迹，其预测能力未来可能用于评估基于个体特征的治疗效果。

未来展望
Irimia指出，新模型能够区分大脑不同区域的衰老速度差异。深入研究这些差异——包括它们如何因遗传、环境和生活方式因素而变化——可能为理解不同病理在大脑中的发展提供见解。
研究还表明，某些区域的大脑衰老速度在性别之间存在差异，这可能解释了为什么男性和女性在神经退行性疾病（包括阿尔茨海默病）方面面临不同的风险。
Irimia表示，他对新模型在认知障碍症状出现前识别出大脑衰老速度加快的个体的潜力感到兴奋。
他解释说，虽然针对阿尔茨海默病的新药已经问世，但其疗效不如研究人员和医生所希望的，可能是因为患者在开始用药时大脑中已经存在大量阿尔茨海默病病理。
Irimia说：“我的实验室非常感兴趣的一件事是评估阿尔茨海默病的风险；我们希望有一天能够说，‘目前，这个人有30%的阿尔茨海默病风险。’我们还没有达到这个目标，但我们正在努力。我认为这种测量方法将非常有助于生成预后变量，并帮助预测阿尔茨海默病风险。这将非常强大，尤其是当我们开始开发潜在的预防药物时。”

研究团队与资助
该研究的作者包括南加州大学维特比工程学院的第一作者Chenzhong Yin和Heng Ping，以及南加州大学伦纳德戴维斯老年学学院的Phoebe E. Imms、Nahian F. Chowdhury、Nikhil N. Chaudhari和Haoqing Wang。
该研究得到了美国国立卫生研究院（NIH）、国防部、国家科学基金会、美国陆军研究办公室、DARPA、英特尔、诺斯罗普·格鲁曼公司、Hanson-Thorell研究奖学金基金、本科生研究助理计划、南加州大学维特比工程学院本科生研究中心（CURVE）以及匿名捐赠者的支持。

关于这项AI与大脑衰老研究的新闻

• 作者：Elizabeth Newcomb

• 来源：南加州大学

• 联系人：Elizabeth Newcomb – 南加州大学

• 原始研究：封闭访问。“Deep learning to quantify the pace of brain aging in relation to neurocognitive changes” by Andrei Irimia et al. PNAS