卷积神经网络(CNN)可以通过MRI脑部结构扫描准确预测健康个体的实际年龄。这些模型可能会应用于常规临床检查，以检测健康老龄化的偏差，包括早期神经退行性变。这可能对患者护理、药物开发和优化MRI数据收集具有重要意义。然而，现有的脑年龄模型通常是针对那些不属于常规检查的扫描(如T1加权体积扫描)进行优化的，不能很好地推广(如不同扫描仪供应商和医院的数据等)，或者依赖于昂贵的计算预处理步骤，从而限制了实时临床应用。

Thomas C.Booth等开发一个适用于常规临床头部MRI检查的脑年龄框架。

该研究小组使用基于深度学习的神经放射学报告分类器，生成了23302个来自英国两家大型医院的年龄头部MRI检查放射正常的数据集，用于模型训练和测试(年龄范围= 18 95岁)，并根据临床分级、微创轴位T2加权和轴位弥散加权扫描显示快速(<5秒)，准确(平均绝对误差[MAE] <4岁)的年龄预测，在医院和扫描仪供应商之间具有互通性。

临床轴位T2加权MRI扫描预测脑年龄。

KCH和GSTT扫描训练集轴位T2加权模型系统预测了这两家医院网络中报告的因年龄而过度萎缩的患者的年龄高于实际年龄。

228名患者的核磁共振成像结果由神经放射学家独立报告，显示出与年龄相关的过度萎缩，并测试脑龄预测的临床相关性。这些病人的大脑预测年龄比实际年龄要高(平均预测年龄差= +5.89岁，“影像学年龄正常”平均预测年龄差= +0.05岁，p<0.0001)。

脑龄预测模型比较

该研究的大脑年龄框架证明了在医院常规检查中作为一种实时自动检测老年大脑的筛查工具的可行性，与临床决策和优化患者路径相关。

原文出处

Accurate brain‐age models for routine clinical MRI examinations

https://www.sciencedirect.com/science/article/pii/S1053811922000015