美国南加州大学（USC）的研究人员取得了一项突破性进展，他们开发出一种人工智能（AI）驱动的新方法，能够生成详细的大脑区域衰老图谱，从而揭示大脑不同部位的衰老差异，并与认知功能变化建立关联。这项研究成果已发表在《美国国家科学院院刊》（Proceedings of the National Academy of Sciences）上。

传统的“脑龄”评估方法通常将整个大脑简化为一个单一的数字，这往往会掩盖重要的区域性差异，无法提供大脑结构衰老的细致全貌。这种单一的度量方式限制了我们对健康衰老和神经退行性疾病的理解。

由南加州大学伦纳德·戴维斯老年学学院的副教授Andrei Irimia领导的研究团队，利用来自近1.5万名认知健康的19至100岁个体的大脑磁共振成像（MRI）扫描数据，训练了一个深度学习AI模型。该模型超越了传统的单一脑龄指标，能够生成高分辨率的3D图谱，以体素（voxel）级别的空间分辨率计算整个大脑体积内各个区域的衰老速度。这意味着研究人员可以精确地了解大脑的哪些部分正在加速衰老。

为了开发这个模型，研究人员使用了来自六个大型公共数据集（包括英国生物样本库、人类连接组计划和阿尔茨海默病神经影像学倡议）的14,748名认知正常成年人的MRI数据。随后，他们利用来自阿尔茨海默病神经影像学倡议的1,900多名额外参与者（包括认知正常成人、轻度认知障碍患者和阿尔茨海默病患者）的MRI扫描对模型进行了测试。

在健康人群中，该AI模型揭示了大脑衰老的非均匀性。研究发现，负责决策、记忆等高级认知功能的额叶和颞叶区域，其生物学年龄始终显得比负责空间意识和感觉处理的枕叶和顶叶区域更老。此外，无论个体是左撇子还是右撇子，大脑的右半球都表现出比左半球略微更先进的结构性衰老。

当该AI模型应用于轻度认知障碍（MCI）和阿尔茨海默病（AD）患者时，其优势更加凸显。AI识别出这些患者大脑中存在明显的局部过早衰老，主要集中在已知早期受阿尔茨海默病病理影响的区域，包括海马体、杏仁核以及几个深层记忆通路。这些加速衰老的模式在全局性变化显现之前就已经存在。

研究进一步发现，局部脑龄加速与标准化认知评估中的较低分数直接相关，这强化了结构性大脑变化与实际认知功能之间的联系。在晚期阿尔茨海默病病例中，这种结构-功能耦合关系最为紧密，表明区域性脑龄信息在神经退行性疾病进展中可能变得越来越有价值。

Irimia教授指出：“并非所有脑区都以相同的速度衰老。有些区域似乎更具弹性，而另一些则更容易受到衰老和疾病的影响。通过测量局部脑龄，我们可以识别出大脑哪些区域的衰老速度超出预期，以及这些变化如何与认知功能相关。”

这种对大脑衰老更细致的理解，为早期识别痴呆症、更好地理解风险因素以及开发新的治疗方法铺平了道路。该计算框架有望在临床试验中追踪区域药物疗效，并在出现明显临床症状之前识别早期痴呆风险，从而实现更精准的预后护理。

尽管研究结果令人鼓舞，Irimia教授强调，该方法目前仍是一种研究工具。该模型主要在研究质量的MRI数据上进行训练，在应用于常规患者护理之前，还需要使用更多样化的临床数据集进行额外的验证。

此外，这项研究主要依赖于横断面数据，因此未来需要进行纵向研究，以确定局部脑龄是否能可靠地预测哪些人将从健康衰老进展为轻度认知障碍或阿尔茨海默病。

研究人员相信，超越单一脑龄测量代表着神经科学领域的一项重要进步。通过理解个体区域如何衰老，以及这些模式如何因人而异，我们正在走向对健康衰老和神经退行性疾病更精确的理解。最终，这将有助于我们更早地识别高风险人群，并开发更个性化的大脑健康维护方法。