林 岚，金 悦，吴水才

（北京工业大学环境与生命学部生物医学工程系智能化生理测量与临床转化北京市国际科研合作基地，北京100124）

0 引言

老化是一个渐进的、多因素的、有时间依赖性的过程，其表现为随年龄增长而导致的功能丧失及生理和心理损伤。在老化过程中，人的大脑结构会发生改变，包括脑萎缩、皮质变薄、白质连接减少[1]。增龄性的大脑结构和功能的变化会导致记忆和处理速度等认知能力下降[2-3]，以及患阿尔茨海默病（Alzheimer’s disease，AD）等神经退行性疾病的风险增加[4]。老化可能受到环境、机械、生物化学和进化等复杂因素相互作用的影响。众所周知，老化会导致脑损伤的发生，但老年人的神经生物学老化轨迹差异较大，在空间和时间上具有异质性。许多神经影像学研究集中在开发潜在的脑老化标记物[5-7]，例如利用MRI获得的大脑结构和功能特征，采用机器学习算法预测个体大脑的脑年龄（如图1所示）[8-9]。通过将脑年龄的预测值与生理年龄相减，可获得脑年龄估值差（brain age gap estimation，BrainAGE）。例如，一位75岁的老年人表现出BrainAGE+5岁，则他的大脑衰老程度与一位80岁的老年人相似。BrainAGE的个体差异与一系列认知、生物测量、健康状况和生活习惯等因素有关，包括心血管健康[10-11]、身体素质[12]、运动[13]等。与此同时，BrainAGE的数值也可反映患有AD[14]、艾滋病[15]、唐氏综合征[16]、癫痫[17]、外伤性脑损伤[18]、精神疾病[19]等疾病的患者与健康对照者之间的差异。

精准预测脑年龄能够优化BrainAGE，使其可以作为一种生物标志物。研究人员在研究中使用不同类型的机器学习模型来预测脑年龄，例如支持向量回归[20]、人工神经网络[6]、相关向量回归[8]以及高斯过程回归[18]等。……