我們都知道，人類認知能力會隨年齡增長而下降。 神經科學家早就知道，這種下降與大腦的解剖結構變化相關。 因此，很容易想到利用大腦的核磁共振成像（MRI）來辨識衰老的跡象，甚至還可以確定“腦齡”。

此外，大腦年齡和實際年齡（chronological age）之間的差異還有可能揭示諸如癡呆癥等病癥的發生。

但是，整個分析過程十分漫長，因為需要對MRI數據進行大量的預處理才能識別出大腦的年齡特征。這些預處理包括從MRI圖像中去除非腦組織如頭骨，還包括大腦白質、灰質以及其他組織的分類，以及利用各種數據平滑技術去除圖像偽影等。

所有這些數據處理最終可能耗費超過24小時，這對醫生的臨床診斷是極為不利的，甚至是一大障礙。

近日，來自倫敦國王學院的喬瓦尼·蒙大拿（Giovanni Montana）研究團隊利用MRI掃描儀的原始圖像來訓練其研發的深度學習機（deep-learningmachine），使其能夠自動識別大腦年齡。

這種深度學習技術只需要幾秒鐘，甚至病患在掃描儀中接受檢查時，就能告知醫生準確的大腦年齡信息，這將為醫生做出正確的臨床診斷提供十分可靠、有用的信息。

這種方法是標準的深度學習技術。蒙大拿及其同事利用超過2000張年齡在18歲至90歲之間的健康大腦MRI掃描圖像，并且所有樣本都沒有任何可能影響大腦年齡的神經系統疾玻所以，這些樣本的大腦年齡與其實際年齡都是相符合的。

其中，每一幅掃描圖像都是標準的T1加權MRI掃描獲得的，這與大多數現代MRI掃描儀輸出的類型一致。采集過程中，每一次掃描都會標注上測試者的實際年齡。

研究者利用總圖像集的80％來訓練卷積神經網絡，以通過大腦MRI掃描圖像確定待測大腦的年齡。 此外，研究者還使用剩余圖像集中的200張圖像來驗證該“腦齡”識別過程。

最后，研究者利用剩余的20%圖像測試該深度學習神經網絡，以確定其測量大腦年齡的準確程度。

同時，該團隊將其提出的深度學習技術與傳統大腦年齡測定方法進行了比較。傳統“腦齡”測定需要大量的圖像處理工作以識別出大腦白質和灰質區域，然后進行稱為高斯過程回歸（Gaussian process regression）的統計分析。

結果十分有趣。

對于給定預處理數據進行分析時，深度學習方法和高斯過程回歸方法都能準確地測定患者的實際年齡，并且兩者的誤差都小于5年。

但是，對于給定原始MRI數據時，深度學習方法表現出明顯的優勢，測定結果平均誤差只有4.66年。相比之下，標準高斯過程回歸方法則表現不佳，只能給出平均誤差幾乎達到12年的粗略年齡。

此外，相比于傳統標準方法需要長達24小時的數據預處理，深度學習方法的分析只需幾秒鐘。深度學習方法所需的唯一數據預處理是確保原始圖像的取向一致以及圖像之間的像素尺寸一致。

這種快速測定對于醫生有重大意義。

蒙大拿團隊稱：“利用這種深度學習軟件，當患者仍在掃描儀中時，就能向臨床醫生提供有關大腦年齡的預測數據，”

此外，該團隊還對比了使用不同掃描儀獲得的圖像，以表明該深度學習技術可用于全球不同地區、不同機器的掃描結果。

研究者還對比了雙胞胎的大腦年齡，表明大腦年齡如何與遺傳因素相關聯。有趣的是，這種相關性隨年齡增長而下降，這表明環境因素隨著時間的推移變得更加顯著，暗示了未來研究的一個方向。

總的來說，這是一個振奮人心的技術突破，有望顯著影響臨床醫生的診斷方法。大量證據表明，糖尿并精神分裂癥和創傷性腦損傷等病癥與加快的大腦衰老相關。因此，一種快速、準確地測定大腦衰老特征的方法可能對未來臨床醫生處理這些疾病的方式產生重要影響。

蒙大拿團隊稱:“大腦年齡預測代表了一種準確、高度可靠和遺傳有效的表型，有望被用作大腦衰老的生物標志物。”