美国南加州大学开发出一种创新的人工智能模型，通过分析磁共振成像（MRI）扫描，以非侵入性方式追踪大脑老化速度。该模型基于三维卷积神经网络（3D-CNN），在大量认知正常成年人的MRI数据上进行训练和验证，能够更精确地确定与加速或减缓衰老相关的神经解剖学变化。研究表明，该模型计算出的大脑衰老速度与认知功能测试结果密切相关，有望成为神经认知衰退的早期生物标志物，为认知衰退及痴呆症的预防和治疗提供强大工具。

🧠该AI模型利用三维卷积神经网络(3D-CNN)，通过分析MRI扫描数据，实现了对大脑老化速度的非侵入性追踪，克服了传统生物年龄测量方法的局限性。

🔬该模型在3000多名认知正常成年人的MRI扫描数据上进行训练和验证，通过比较同一个体的基线和随访MRI扫描，更准确地确定了与衰老相关的神经解剖学变化。

📈实验结果表明，该模型计算出的大脑衰老速度与认知功能测试中的变化密切相关，预示着其作为神经认知衰退早期生物标志物的潜力，并且适用于认知正常和认知障碍个体。

🗺️该模型还能生成“显著性图”，指示在确定衰老速度方面最重要的特定大脑区域，为深入理解大脑衰老机制提供了线索。

    科技日报北京2月25日电 （记者张佳欣）大脑衰老速度越快，认知障碍的风险就越高。美国南加州大学开发了一种新的人工智能（AI）模型。这一首创工具可通过分析磁共振成像（MRI）扫描，以非侵入性方式追踪大脑老化速度，并可能成为理解、预防和治疗认知衰退及痴呆症的强大工具。相关论文24日发表在《美国国家科学院院刊》上。

    由于身体机能和组织在细胞层面上的衰老程度不同，两个出生日期相同的人可能会有非常不同的生物年龄。一些常见的生物年龄测量方法，会使用血液样本来测量表观遗传老化程度的DNA甲基化水平，但这并不能直接反映大脑中的甲基化和其他与衰老相关过程。人们无法直接从活人的大脑细胞中取样。而非侵入性方法，是从单个时间点的一个MRI扫描中，估计与年龄相关的大脑轨迹的横截面，存在很大局限性。

    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老化的程度。该模型在3000多名认知正常成年人的MRI扫描数据上进行了训练和验证。

    与传统方法不同，这种纵向方法比较了来自同一个体的基线MRI扫描和随访MRI扫描。它能够更准确地确定与加速或减缓衰老相关的神经解剖学变化。3D-CNN还生成可解释的“显著性图”，指示在确定衰老速度方面最重要的特定大脑区域。

    将该模型用于104名认知健康的成年人和140名阿尔茨海默病患者时，其计算出的大脑衰老速度与两个时间点进行的认知功能测试中的变化密切相关。这些测量结果与认知测试结果的一致性表明，该模型可作为神经认知衰退的早期生物标志物。此外，它还证明了在认知正常个体和认知障碍个体中的适用性。