大脑衰老并非一条单一、人人相同的下坡路。有人认知衰退缓慢，有人则快速进展至阿尔茨海默病；有人以灰质萎缩为主，有人则白质高信号负荷显著。如何从大规模神经影像数据中，自动发现这些异质性的、但可重复的“主导老化轨迹”？2026年4月25日发表于《自然·通讯》（Nature Communications）的一项研究中，宾夕法尼亚大学Christos Davatzikos团队介绍了一种名为CCL-NMF（耦合横断面与纵向非负矩阵分解）的无监督机器学习框架。该框架同时利用横断面的大规模样本和纵向的追踪数据，从48,949名个体的结构磁共振影像（MRI）中，识别出七种不同的、可重复的、具有生物学意义的神经解剖学模式。每个个体可以被表示为这些模式的加权组合（即个体化的负荷系数），这些负荷系数与认知能力、遗传因素（如APOE ε4）和生活方式（如教育、体力活动）存在显著关联。研究者还开发了一个基于回归的转换工具，使得该框架可被应用于外部独立队列，无需重新训练全套模型。该方法不仅适用于结构MRI，还可推广到其他影像模态（如弥散张量成像、功能磁共振成像）和生物标志物。
研究亮点速览
方法学创新：CCL-NMF首次在同一个分解框架中联合使用：
横断面数据（大规模，N=48,949）提供稳定的解剖学特征基础。
纵向数据（同一受访者的多次扫描）提供个体内部的真实变化方向，约束分解结果使其具有时间上的可解释性。
发现七个主导模式：分解出的七个“脑老化模式”包括：
全脑弥漫性萎缩（模式1）
内侧颞叶/海马为主萎缩（模式2；与AD强相关）
侧脑室扩张（模式3）
白质高信号区域为主的改变（模式4）
额叶-纹状体萎缩（模式5）
顶叶为主萎缩（模式6）
脑干/小脑为主萎缩（模式7）
生物学验证：
各模式的负荷系数与年龄呈非线性相关。
与APOE ε4基因型（最强AD遗传风险因子）的相关性：模式2（内侧颞叶）负荷在ε4携带者中显著升高。
与认知分数（记忆、执行功能）的特异性关联：不同模式预测不同的认知域。
与可改变生活方式因素（教育年限、体力活动）相关：更高的教育负荷与某些保护性模式相关。
纵向一致性：个体从基线到随访的负荷系数变化与真实解剖变化方向一致，验证了模型捕捉纵向轨迹的能力。
工具转化：提供了回归模型，允许外部研究者用新个体的脑影像快速估计其在七个模式上的负荷，无需重新运行复杂分解。
背景：为何需要“无监督的轨迹分解”？
已知：
大脑老化存在显著的个体差异。
阿尔茨海默病和相关痴呆的病理过程可能在症状出现前数年就已开始。
基于人群平均的脑萎缩轨迹掩盖了个体的异质性。
现有方法的局限：
监督学习（如分类AD vs. 正常对照）：需要标签，无法发现未知的亚型。
单模态分解（如仅横断面NMF或PCA）：分解出的成分可能不反映真实的纵向变化（横断面相关性不代表纵向轨迹）。
仅纵向建模：需要较长的随访期，且样本量通常较小。
CCL-NMF的独特定位：
同时利用大N横断面（估计稳定的人群体解剖变化范围）和纵向数据（约束分解结果具有时间连续性）。
非负约束确保分解出的模式是“加法性”的（每个模式是“某种萎缩/扩张的计量单位”，不会互相抵消），提高可解释性。
允许多模式共表达（一个个体可以同时有多种模式的负荷，模拟真实混合病理）。
方法概要与数据
数据来源：
iSTAGING联盟：包含来自多个队列的48,949名个体（包括UK Biobank、ADNI、BLSA、BIOCARD、SHIP、WHIMS、HANDLS等）。
影像：T1加权结构MRI (3D MPRAGE或类似序列)。
预处理：标准空间归一化至MNI152，灰质分割，提取区域灰质体积/密度图（或使用体素级灰质密度）。
纵向部分：约15,000-20,000名个体有至少两次扫描（间隔1-5年）。
CCL-NMF核心思想（简化）：
输入矩阵：横断面（个体 × 体素/区域） + 纵向（个体内时间变化 × 体素/区域）。
联合分解为：模式矩阵（体素×模式，7个模式）和负荷矩阵（个体×模式，以及个体内变化×模式）。
非负约束：所有分解出来的模式值和负荷值 ≥ 0。
耦合约束：横断面分解的“模式”与纵向分解的“模式”是同一套模式，从而保证横断面发现的模式同时也是纵向变化的主要方向。
结果详解：七种脑老化模式
| 模式编号 | 解剖特征描述 | 与年龄相关性 | 与APOE ε4相关性 | 与认知关联 |
|---|---|---|---|---|
| 模式1 | 全脑弥漫性灰质萎缩（皮层+皮层下） | 高（r > 0.6） | 中等 | 广泛认知下降 |
| 模式2 | 内侧颞叶/海马为主萎缩 | 中等 | 高（ε4携带者负荷显著升高） | 记忆下降 |
| 模式3 | 侧脑室扩张（反映脑实质萎缩） | 高 | 低 | 执行功能下降 |
| 模式4 | 白质高信号区域为主的改变 | 高 | 低 | 处理速度下降 |
| 模式5 | 额叶-纹状体萎缩 | 中等 | 低 | 执行功能下降 |
| 模式6 | 顶叶为主萎缩 | 中等 | 中等 | 空间认知下降 |
| 模式7 | 脑干/小脑为主萎缩 | 低 | 低 | 运动协调下降 |
讨论与展望
CCL-NMF提供了一种强大的工具，用于从大规模神经影像数据中无监督地发现个体化的脑老化轨迹。其核心优势在于同时利用横断面和纵向数据，从而克服了传统方法仅依赖单一数据模态的局限性。该框架识别的七种模式不仅具有明确的解剖学意义，还与遗传、认知和生活方式因素显著相关，为理解脑老化的异质性提供了新视角。
未来，该方法可进一步应用于：
早期预警：通过个体负荷系数预测未来认知下降风险。
临床试验分层：识别对特定干预措施可能更敏感的亚群。
跨模态整合：将结构MRI与功能MRI、弥散张量成像等结合，构建更全面的脑老化图谱。
总之，CCL-NMF标志着从群体平均向个体化脑老化评估的重要一步，为精准神经科学提供了新的方法论基础。