总结磁共振成像的脑龄预测的人工智能模型

在人的一生中，大脑会发生与年龄相关的显著变化，个体的衰老速度会显示出明显的个体间差异，从而产生作为大脑特征在特定认知领域上的大脑标记。这些是由各种各样的因素形成的，既有内部的，也有外部的。最近，研究人员通过使用机器和深度学习(DL)技术，可以从神经成像内表型中获得对大脑年龄(BA)的准确预测。预测模型在准确估计年龄的同时，还揭示了哪些特征对最终预测贡献最大，这是揭示大脑老化模式演变潜在机制的关键。同时，可解释的人工智能(XAI)方法正在成为不同领域的使能技术，在生物医学中也不例外。在此框架内，本文考察了BA研究，并对可解释机器学习(ML)/ DL（深度学习）方法的开发方面的最新进展进行了全面回顾，强调了主要的未决问题，并为未来方向提供了提示。

介绍

一个人的大脑的脑龄是多少？这个看似简单的问题隐藏着一个极其复杂的系统，其中不同类型的内生变量和外生变量以一种未知的方式相互作用。在本文中，作者旨在通过关注一个具体的案例来提供一些见解：解释神经成像衍生的内表型对脑龄确定的影响，即大脑的“大脑特征”或“指纹”，同时利用XAI揭示主导该过程的主要因素。

大脑老化的研究最近在科学界引起了关注，因为通过神经成像数据并结合特定的统计分析来开发准确的大脑老化生物标志物，在不同领域开辟了新的视角，使我们能够从疾病特异性变化中理清年龄相关的变化，并在单个受试者水平上跟踪疾病进展。

预测模型通常是在大样本对照上训练，输入候选内表型，并输出估计或预测的年龄。然后定义了一个由预测年龄和历史年龄之差给出的脑龄-delta。delta[以下称为大脑预测年龄delta (brain-PAD)]反映了个体与人群常模的偏差，突出了加速老化(正delta)和对老化的弹性(负